https://jiajia.fun/qa/574c5946-%E4%BB%8Eagent%E8%A7%92%E5%BA%A6%E7%9C%8B%E5%83%8F%E8%AF%81%E6%98%8E%E8%B6%85%E5%A4%8D%E6%9D%82%E6%95%B0%E5%AD%A6%E5%85%AC%E7%90%86%E8%BF%99%E7%A7%8D%E5%A4%8D%E6%9D%82%E7%9A%84%E4%BB%BB%E5%8A%A1%E6%98%AF%E6%80%8E%E4%B9%88%E7%BC%96%E6%8E%92%E7%9A%84

# 从Agent角度看像证明超复杂数学公理这种复杂的任务是怎么编排的

这种长程、零容错的复杂任务，单靠一个 Agent 一口气往下推肯定会幻觉跑偏，工程上基本是「树状拆解 + 并行试错 + 形式化编译器硬验证」的编排结构。 最核心的底座是把自然语言推理和 Lean 4、Isabelle 这类定理证明器绑死。数学证明最大的好处是裁判绝对客观——模型写出来的每一步推导，都必须转成形式化代码交给内核编译器去跑。编译器过了才算真过，报错了就把具体的类型错误或未闭环目标原封不动喂回上下文让它改，彻底堵死模型自己糊弄自己的可能。 在这个验证闭环之上，任务编排通常分成三层走： 规划层负责把大命题拆成一棵引理树。主 Agent 不会直接去证最终结论，而是先提出一连串中间引理，把大目标切成一个个独立的小子目标放进任务队列里。 搜索层负责并行试错和回溯。单个子引理往往有好几种证法，通常会结合蒙特卡洛树搜索（MCTS）或者启发式搜索，同时派发多个并行 Subagent 去探不同的路径。哪条路卡死或步数超限就直接剪枝回溯，把算力集中到更有希望的分支上，而不是在一个死胡同里无限死磕。 状态层负责沉淀已验证的成果。一旦某个子引理通过了编译器校验，它就变成全局定理库里的可用积木，主控只需要更新状态、解锁依赖它的下一个引理，不需要把前面试错的废话全塞进后续上下文里。说白了，就是把软件工程里「模块化拆解 + 并发分支 + 强编译测试」那套搬到了数学推理上。
