Anthony Patera Rohan Abeyaratne

摘要

生成式人工智能，特别是GPT，能够为机械工程分析问题提供令人惊叹的解决方案——但偶尔也会产生错误的结果。例如，在一个基础力学问题中，某个GPT实例能够完美求解，而随后的另一个GPT实例却给出错误答案，其成功概率仅为85%。这种不可靠性使得未经定制的“开箱即用”式GPT难以应用于教育或工程实践。为此，我们提出一种“N加1”GPT代理系统，用于对机械工程问题陈述进行初始（低成本）分析。该代理系统首先启动N个独立的“求解代理”（Agent Solve）实例，生成N个独立的初步问题求解方案；随后，调用“比较代理”（Agent Compare）对这N个初步求解方案进行汇总与对比，并推荐最终的问题解决方案。基于孔多塞陪审团定理（Condorcet's Jury Theorem），我们论证：当每个求解实例的成功概率大于1/2（且N足够大）时，占主导地位的（由Agent Compare确定的）初步求解方案，将以高概率对应于正确的求解方案。此外，Agent Compare还可整合次级（Agent Compare）求解方案中的相关信息，尤其是在这些次级方案代表了对问题陈述的不同理解——即不同的数学模型，或不同的数学求解路径时。与商业多代理模型Grok Heavy的对比表明，两者在系统设计和性能方面具有相似之处，但我们的代理系统更强调透明性与教学价值。