AI 创始人：基于多智能体管道中 GIS 搜索的案例研究

尽管大型语言模型（LLMs）表现出卓越的流畅性，但仍不断致力于从它们中提取更强的推理能力。基于 LLM 计算的搜索解释，本文提出了一种系统化框架，用于理解 LLM 推理与优化。即，通过结构化多智能体管道以确保以渐进、递进和顺序方式遍历搜索空间，可实现更好的推理。简而言之，高质量推理即为受控的、递进的搜索。为测试此框架，我们探讨了递归细化（RR）——即自我批判、对抗性压力测试及整合关键反馈的迭代过程——作为实现 GIS 搜索的实用方法。我们设计了一个实验，比较简单线性管道与复杂显式结构管道，后者利用递归细化层。多智能体模型被构建为反映三位美国建国父亲（Hamilton、Jefferson 和 Madison）的历史人物，基于 RAG 动力的语料库，并被提示生成对三个当代政治议题的响应。模型性能采用两层方法进行评估：来自 LLM 仲裁代理的量化分数和定性的人类判断。我们的结果显示，复杂模型在所有九个测试案例中均一致优于简单模型，平均仲裁输出分数为 88.3 分而 71.7 分。复杂模型的论点在分析深度、结构细微差别和战略框架方面均表现出优势。我们得出结论，递归细化是增强 LLM 通过 GIS 搜索推理的稳健架构特征。