Agent模型通过将思考内容引入上下文，增强了多轮对话的稳定性和推理效果。不同模型采用不同方式处理思考内容，以防篡改。这一机制在复杂任务中尤为重要，有效降低了模型的理解难度。

本研究提出了PoTable方法，旨在解决表格推理与大型语言模型（LLM）结合时的认知不足问题。通过集成Python解释器和LLM操作规划器，PoTable在推理效果和可解释性上有所提升，在多个基准测试中表现优异，特别是GPT基础的PoTable准确率提升超过4%。