如果一个AI系统告诉你它发现了一个可能改写教科书的新数学规律你的第一反应是什么大概率是怀疑。但如果这个AI不是单独给出答案而是内部先有一群Agent互相攻击——一个Agent提出规律另一个Agent拼命找反例最后还有裁判Agent决定是否相信——你会不会觉得它比那种一次性输出结论的聊天框更可信一些这是多智能体系统在数学发现领域最值得关注的变化它不再试图用一次推理说服你而是把数学发现包装成一个可监督、可反驳、可裁判的工程过程。过去一段时间很多人讨论AI证明数学定理的能力但我更关心的其实是另一件事AI能不能改变“数学共识”的形成方式。传统数学共识靠的是论文、同行评审、人类直觉和漫长的验证周期而一个由多个Agent组成的系统可以在极短时间内对一个假设做内部对抗、反例搜索和裁决并把结论和证据一起交给人类。这会压缩掉大量“看起来合理但其实是错的”中间结论从而改变我们筛选数学假设的效率。当然多智能体不是银弹。如果只是让几个LLM互相聊天最后裁判也是同一个模型那系统幻觉并不会消失只会被包装得更圆润。关键是机制设计必须有正反博弈必须有独立的裁判标准必须允许“拒绝”而不是让Agent一直互相客气。这也是本文要展开的重点。我会先讲清楚为什么数学发现适合多智能体再分析“正反博弈裁判”这个模式为什么比单纯协作更可靠然后给出一个可以运行的Python实现。通过这个Demo你可以看到Agent如何提出候选公式、如何被反例否决、最终如何形成裁决。整套代码不依赖外部大模型API也不需要GPU用普通Python环境就能跑。1. 这篇文章真正要解决的问题1.1 数学发现为什么需要一套新的工程流程数学发现有一个天然难题候选命题空间几乎是无限的但人类能观察到的证据往往是有限的。你看到一串数列前几项想要推出通项公式可能同时存在无数个公式能在这些点上成立。传统做法是靠数学家直觉去“猜”一个最自然的规则然后用证明去锁定它。可一旦候选公式数量变大或者问题本身足够陌生人类直觉就可能成为瓶颈。另一个痛点来自大模型的普及。现在很多AI系统已经能读懂数学题也能生成看起来像模像样的证明过程。但单Agent模型很容易在一本正经的推理链条中隐藏一个关键错误而且它自己很难发现这个错误。原因在于当你让同一个模型同时担任“出题者”和“验题者”时它往往会倾向于维护自己刚刚提出的结论而不是认真寻找漏洞。这种自我确认偏差是AI做数学发现时最危险的问题。多智能体系统之所以值得关注是因为它把“一个人同时做几件事”变成了“几个人分别负责一件事”。提出者只负责提假设反驳者只负责找反例裁判只负责下结论。每个角色目标单一行为更容易被监控也更容易被工程化。它解决的核心问题不是“谁能写出更漂亮的证明”而是“如何让系统内建一个可执行的纠错机制”避免错误假设在无人质疑的情况下被当作结论。1.2 什么样的读者最应该关注这套方法如果你正在做Agent应用开发尤其是想让多个Agent协作完成复杂任务这篇文章会给你一个数学场景下的参考实现。如果你在关注AI4Science你会看到AI参与科学研究时不只是用更大算力做模拟还可以通过对抗博弈来筛选假设。如果你只是想了解“多智能体到底能做什么”那本文的核心机制——正反博弈加裁判——会比单纯的“多Agent聊天”更有启发。2. 多智能体数学发现的核心概念与适用场景2.1 从“单Agent答题”到“多Agent共识”先解释两个词。自主智能体通常指一个能感知环境、制定计划、调用工具并执行动作的AI程序。在数学发现场景里它可以表现为一个负责提出公式的规则生成器也可以表现为一个负责搜索反例的枚举程序。这里的“自主”不是说它完全没有人工参与而是说它在具体任务闭环里不需要人类每一步都干预。多智能体数学发现就是让多个具有不同分工的Agent围绕同一个数学问题协作。它们之间不再是人机对话而是Agent与Agent之间交换消息比如“我提出一个候选公式”“我在n7找到了反例”“我接受这个结论”。这比单个Agent做端到端对话更稳定因为系统可以把错误暴露在中间环节而不是让错误藏在最终答案里。下面这张表可以直观看出差别模式典型做法纠错能力适合场景单Agent直接回答输入问题输出答案弱容易自我确认偏差简单问题、快速原型多Agent协作多个Agent分工流程化处理中依赖流程设计工具调用、长链路任务正反博弈裁判提出者、反驳者、裁判三方交互强内建对抗检验数学发现、科学假设筛选、复杂决策正反博弈加裁判不是让Agent互相攻击而是让“提出假设”和“否定假设”成为两条独立路径。提出者不需要害怕找反例反驳者也不需要对任何假设客气裁判则按照预设规则给出最终裁决。这样的结构很契合数学场景因为数学命题是高度可证伪的一个反例就足以推翻一个全称命题不需要你论证“它不美”或“它不够自然”。2.2 数学发现中的“共识”指什么这里的“共识”需要解释清楚。数学上真正被广泛接受的定理必须有严格证明。但在探索阶段研究社区经常会出现“暂时相信某个猜想成立”的状态比如许多数值实验支持某个猜想但还没有人给出证明。这种状态其实就是一种共识雏形大家默认它大概率成立并以此为基础继续推进。AI系统可以挑战这种共识。当人类基于有限证据相信某个公式时多智能体系统可以扩大搜索范围寻找一个反例来否定它也可以提出一个更简单或更通用的替代公式然后在更大样本上验证。换句话说它不一定能代替人类写出证明但它可以在“共识尚未形成”或“共识开始固化”的时候充当一个高速、可复现的质疑者。2.3 这套方法不适合做什么需要强调边界。多智能体数学发现并不等同于自动定理证明。它擅长的是“提出假设、搜索反例、筛选候选规则”而不是在公理体系内构造一步步的形式化证明。如果你想用Lean、Coq等证明助手完成定理证明那是另一条技术路线。更准确地说多智能体系统可以作为定理证明的前置环节帮人类缩小搜索范围但它给出的结果必须经过严格证明才能成为数学共识。3. 为什么“正反博弈裁判”机制是关键3.1 单Agent的自评为什么不可靠很多人会让模型“再检查一遍自己的答案”这种做法在简单场景下有效但在复杂数学推理中效果有限。因为同一个模型内部的注意力偏差是结构性的它生成公式时已经形成了一种“结论倾向”让它在同一上下文中审视同一个结论时很容易忽略掉微弱但有决定性意义的反例。这里真正容易踩坑的地方是你以为模型在做批判性思考其实它只是在用更高置信度复述之前的推理路径。正反博弈的价值在于把“自我批评”转成“外部攻击”。提出者不知道反驳者会从哪里下手反驳者也没有维护提出者面子的动机。两者使用的策略甚至可以是完全不同的提出者依赖归纳和类比反驳者依赖枚举和穷举。当两种不同搜索策略互相碰撞时错误更容易暴露出来。3.2 裁判存在的意义有人可能会问既然两个Agent已经在辩论了为什么还要一个裁判因为在对抗结构里双方都可能出现极端情况提出者生成大量无用假设反驳者为了“赢”而吹毛求疵或者双方陷入无休止的争吵。裁判的作用是定义停止条件、判断证据强度、给出可解释的结论。它不一定比提出者更聪明但它是流程的管理者。裁判Agent需要一套明确的裁决标准。在数学发现场景中标准通常包括候选规则是否匹配已知数据、是否通过更大范围的反例搜索、是否与现有共识库冲突。如果规则通过验证但与共识库不同裁判应当标记为“潜在共识挑战”并提醒人工介入如果规则被反例否定裁判必须明确记录反例位置而不是简单丢弃。这样整个系统的决策才能回溯。3.3 数学命题的“可证伪性”让对抗特别高效数学命题和开放式问答不同。开放问答的“正确答案”可能很模糊但一个全称数学命题只要找到一个反例就能被否定。这种二值判定天然适合对抗式搜索。提出者说“这个公式对所有正整数成立”反驳者只需要找到n7成立不了问题就结束了。这种“一票否决”机制让Agent之间的信息传递效率非常高也更容易落地成代码。因此面向数学发现的多智能体系统核心不是让Agent学会更多数学知识而是构建一个“提出—反驳—裁决”的循环。这个循环每执行一次候选假设空间就会收缩一圈最终留下的规则会更可靠。4. 环境准备与前置条件4.1 运行环境与目录结构本文的示例代码使用纯Python标准库不需要安装任何第三方依赖。建议Python版本在3.9以上因为代码用到了dataclass、类型注解等特性。操作系统不限Windows、macOS、Linux都可以。如果你希望后续把Proposer或Judge替换成真实大模型API再根据你选择的服务接入对应SDK。建议工程目录如下math-agent-demo/ ├── multi_agent_math.py ├── requirements.txt └── README.md其中multi_agent_math.py是核心代码requirements.txt用于说明依赖情况。实际运行只需要一个Python文件。4.2 依赖说明由于演示优先考虑可复现性核心代码不依赖外部库。requirements.txt可以写成下面这样# 核心演示只需要 Python 3.9 标准库 # 如果后续要接入大模型 API请根据你的服务端 SDK 调整依赖 # openai1.0.0在实际项目中如果你想用真实LLM替换规则生成器再安装对应的SDK即可。但要注意外部API会带来网络延迟、调用成本和密钥管理问题。建议先把规则版本跑通再考虑扩展。5. 完整示例Python实现正反博弈裁判的多智能体数学探索5.1 示例目标假设我们观察到一个数列的前6项是[1.0, 4.0, 9.0, 16.0, 25.0, 36.0]也就是n^2的前6项。但系统不知道真实规则它只知道这些有限数据。现在多个Agent要通过“提出假设、搜索反例、裁判裁决”的方式找出一个合理的通项公式。这里我故意设置了一个干扰规则一个多项式P(n) n^2 (n-1)(n-2)(n-3)(n-4)(n-5)(n-6)。它在n1到6时和n^2完全一致但到了n7就立刻出现巨大偏差。这类“有限前缀拟合”规则是数学发现里最典型的陷阱也最能体现反例搜索的价值。5.2 核心代码实现将下面的代码保存为multi_agent_math.py。# 文件路径math-agent-demo/multi_agent_math.py 正反博弈 裁判的多智能体数学发现演示 运行 python multi_agent_math.py from __future__ import annotations from dataclasses import dataclass from typing import Callable, List, Optional # ---------- 基础数据结构 ---------- dataclass class CandidateRule: 一条由 Proposer 提出的候选数学规则。 name: str description: str predict: Callable[[int], float] dataclass class RefutationReport: Refuter 对候选规则进行反例搜索后的结果。 status: str # SUPPORT / REJECT checked_until: int # 检查到第几个 n counterexample: Optional[int] None # 如果找到反例记录 n dataclass class Verdict: 裁判的最终决策。 decision: str # ACCEPT / REJECT reason: str # ---------- 候选规则库 ---------- def make_interpolation_rule() - CandidateRule: 一个干扰规则它在前 6 项上看起来和 n^2 完全一样。 但因为在后面加了一个高阶扰动项从 n7 开始会迅速偏离。 def predict(n: int) - float: return n ** 2 (n - 1) * (n - 2) * (n - 3) * (n - 4) * (n - 5) * (n - 6) return CandidateRule( nameinterpolation_square, descriptionn^2 加上一个只在 n7 生效的高阶扰动项, predictpredict, ) def make_square_rule() - CandidateRule: def predict(n: int) - float: return n ** 2 return CandidateRule( namesquare, descriptiona_n n^2, predictpredict, ) def make_cube_rule() - CandidateRule: def predict(n: int) - float: return n ** 3 return CandidateRule( namecube, descriptiona_n n^3, predictpredict, ) # ---------- 提出者 Agent ---------- class ProposerAgent: def __init__(self): # 这里用一个固定队列模拟 Agent 的“知识库”。 # 实际项目可以替换为 LLM 或规则生成器每次返回一个新的候选公式。 self.queue [ make_interpolation_rule(), make_square_rule(), make_cube_rule(), ] self.index 0 def propose(self) - CandidateRule: if self.index len(self.queue): raise RuntimeError(没有更多候选规则) rule self.queue[self.index] self.index 1 return rule # ---------- 反驳者 Agent ---------- class RefuterAgent: def __init__(self, target_fn: Callable[[int], float], search_limit: int 100): self.target_fn target_fn self.search_limit search_limit def verify(self, rule: CandidateRule, known_terms: List[float]) - RefutationReport: # 第一步检查候选规则是否匹配已知前缀 for n, expected in enumerate(known_terms, start1): if abs(rule.predict(n) - expected) 1e-9: return RefutationReport( statusREJECT, checked_untiln, counterexamplen, ) # 第二步在更大范围搜索反例 for n in range(len(known_terms) 1, self.search_limit 1): actual self.target_fn(n) predicted rule.predict(n) if abs(predicted - actual) 1e-9: return RefutationReport( statusREJECT, checked_untiln, counterexamplen, ) return RefutationReport( statusSUPPORT, checked_untilself.search_limit, counterexampleNone, ) # ---------- 裁判 Agent ---------- class JudgeAgent: def __init__(self, consensus_rules: List[str]): self.consensus_rules consensus_rules def adjudicate(self, rule: CandidateRule, report: RefutationReport) - Verdict: if report.status REJECT: return Verdict( decisionREJECT, reasonf找到反例a_{report.counterexample} 与目标不一致, ) if rule.name in self.consensus_rules: return Verdict( decisionACCEPT, reason该规则通过反例搜索且与现有共识一致, ) return Verdict( decisionACCEPT, reason该规则通过反例搜索但与现有共识不同需要人工复核, ) # ---------- 主流程 ---------- def main(): # 目标序列a_n n^2 def target_fn(n: int) - float: return n **