评价一下https://github.com/Cyllevantie/NewMathAgent 这个项目
来自夹夹 QQ 群讨论,审核后公开 · 。查看原始讨论
提问
回答
这不是那种拿几个 prompt 糊出来的「一键写论文」玩具,而是正经按 Repo Harness 思路搭起来的重型工程流水线。
先说做得非常扎实的地方:它把最容易失控的长链路写成了确定性护栏。17 个阶段各自用独立 skill 驱动,关键节点插了独立子 agent 做评审门禁,不通过就亮黄灯挂起让人决定重试还是回退,而不是让模型一路自嗨到底。更难得的是外围的确定性脚本配得很全:结果契约(result_contract)、画图审计(visualization)、版式页数检查(publication)、白名单交付打包(delivery),再加上 600 多条回归测试和 doctor.py 环境体检,工程纪律比市面上大多数 Agent 项目强出一截。
但往深了看,这套架构也有几个很现实的硬伤和取舍问题:
第一,17 阶段串行加 18 小时耗时,长链条的错误累积和恢复成本太高。四道题跑一轮要 18 个小时,意味着前面「建模设计」或「编码计算」如果假设偏了,即使有门禁兜底,后面十几个阶段也很容易变成在错误地基上精雕细琢。而且底层靠 shell 频繁拉起 claude -p,状态全靠文件落盘和阶段指纹维持,中间只要某个外部工具(XeLaTeX、draw.io、Poppler)卡死或超时,长链路的断点续跑体验就会很折磨。
第二,默认模型选型和任务难度有错配。README 里默认配的是 deepseek-flash[1M]。Flash 跑高频文本润色、格式转换、初稿扩写没问题,但数学建模最卡脖子的是「问题抽象与建模设计」「结果可信度审计」和「跨问一致性」。用轻量模型扛整条 17 阶段链,很容易跑出「LaTeX 排版极佳、图表齐全,但核心数学逻辑经不起推敲」的局部最优产物。这种长链路更适合做模型分层路由:建模设计和门禁审稿切强推理模型,排版和杂活再交给 Flash。
第三,本地重依赖限制了分发。项目强依赖本地装好的 Claude Code CLI、Python 3.11+、XeLaTeX、Poppler、Pandoc 和 draw.io desktop。自己在本机配好跑通没问题,但想让普通数模参赛者直接用,环境门槛还是太高了,后续如果想往外推,大概率得容器化或者把重工具链打包剥离出来。
定位上也建议清醒一点:拿它当「辅助脚手架」和「高质量样板生成器」非常香,但真指望 18 小时全自动跑完直接当正文提交,风险还是太大,0 阶段的读题核对和关键黄灯节点人还是得深度盯住。
所属话题:Agent 工程