摘要
近年来，以GPT-4为代表的大型语言模型在处理常规查询任务方面展现出卓越的能力。然而，当面对需要复杂、多步骤逻辑推理的高级数学问题时，其性能显著下降。为提升模型的推理能力，当前研究主要聚焦于提示工程（prompting engineering），代表性方法包括“思维树”（Tree of Thought）和“思维图”（Graph of Thought）等。尽管如此，这些现有方法仍存在两大局限：其一，其在解决复杂数学问题时的效果仍有限；其二，需为每个问题单独设计提示，严重制约了方法的泛化能力。针对上述挑战，本文提出一种名为条件挖掘多智能体系统（Multi-Agent System for Conditional Mining, MACM）的新型提示方法。该方法不仅能够有效解决复杂的数学问题，还在多种数学场景中展现出优异的泛化性能。在MATH数据集的最难题目（Level 5）上，借助MACM方法，GPT-4 Turbo的准确率从54.68%显著提升至76.73%。相关代码已开源，可通过以下链接获取：https://github.com/bin123apple/MACM。