我搭了一套"AI 管理 AI"的系统，然后让它替我做数学研究
四个月前，我开始搭一套多模型协同系统。四个月后，我刚刚写完了它的最后一篇论文。算是个句号，想聊聊。
事情的起点其实很朴素：我在用 Claude Code、Codex 这些工具的时候发现了一个问题——每个模型都有自己的脾气、性格和擅长的领域。Opus 架构能力强但贵，DeepSeek 便宜但急躁，GPT 稳健但过度谨慎。我发现自己每天在做一个很低级的事：判断这个任务该扔给哪个模型。这件事 AI 本可以自己做——它比我更清楚每个模型的输入输出特征。于是我开始搭 eVoiceClaw Desktop V3，核心思路就四个字：AI 管理 AI。
系统设计了两套工作模式，分工很明确。
第一套叫确定模式。多个模型交叉验证同一个结论——你用 Opus 写代码，GPT 审计，DeepSeek 跑测试，三道关全过才算数。这其实不是什么新概念，但把它自动化之后效果比我想的好：在 50 项代理任务上达到了 202/202 的完成率，没有一次翻车。做确定性工作——写代码、改配置、修 Bug——这套模式够用了。
但真正让我兴奋的是第二套：探索模式。
这套模式的逻辑说来也简单：让 8 个不同厂商、不同训练数据的模型同时往不同方向发散，然后检测"共振"——当这 8 个彼此独立的模型不约而同地指向同一个方向，那背后大概率不是幻觉，而是有东西。这个灵感其实来自物理学里的干涉现象：单个光子打到屏幕上是随机分布的，但无数光子同时通过双缝，就会在特定位置产生亮纹——统计上的收敛本身就是信号。模型的"共识"不是设计出来的，是从噪声中自然浮现的。
这套东西搭好之后，我需要一个真正硬核的问题来测试它。我选了 BSD 猜想——全称 Birch and Swinnerton-Dyer，千禧年七大数学难题之一，Clay 研究所悬赏一百万美元的那种。具体研究的是椭圆曲线在同源边上的行为。
（为什么选这个？一半是因为它够难，测出系统的真实上限；另一半是因为我确实对它感兴趣。BSD 和贝叶斯拓扑分析一直是我想系统研究的方向。）
然后系统就开始跑了。整整两个月。
确定模式干了最扎实的活：扫描 Cremona 数据库里全部 23,494 条同源边，跑确定性计算，找规律。结果它真的找到了一个——在同源边上，可见的 Tamagawa 通道和隐藏的 Sha 通道永远反向流动。一个充盈时，另一个就泄放。经典 BSD 理论只说它们加起来守恒（类似会计等式"资产=负债+权益"），但从没说过有方向性约束。23,494 条边，零违反。这不是模型"觉得应该是这样"，是算出来的硬事实。
这个不等式打包成了 Paper 12。
然后探索模式上场了。不等式是算出来的，但它意味着什么？我把这个发现喂给了 8 个异构模型——Claude Opus 4.7、GPT-5.5、Kimi K2.5/K2.6、Grok 4.20、Qwen3 Max 等等——让它们从不同角度解读。两小时内，综合阶段产出了：六条形式化猜想、一个叫"储库/反流框架"的解释模型、以及符号律和奇偶律如何分裂的理论。
确定性发现事实，探索性生成解释。各做各的。
从第一次冲刺到三篇论文发布——Paper 12、13、14——43 小时。
（这里要澄清一件事：不是"AI 独立发现了数学定理"。事实是算出来的，意义是多个模型从不同角度解读后综合出来的。AI 在这件事里的角色是放大器——它让一个人类研究者能在 43 小时内完成可能需要几个月的工作，但不是替代那个做决策、判断方向、最终拍板的人。）
BSD 做完之后，系统又跑了贝叶斯拓扑分析方向。通过量子不确定性来定义经典不确定性问题，对贝叶斯拓扑做了深度探索。这是另一个分支，不展开了，但方法和 BSD 战役是一样的：探索模式发散 → 共振检测 → 确定模式验证。
几个月下来，我在 Zenodo 和 Research Square 上陆续发了十几篇论文。前四篇讲方法论本身——维度直查路由、多模型协同架构、隐私保护机制这些。中间几篇是 BSD 和贝叶斯拓扑的具体成果。最后一篇是最近刚写完的方法论收官论文，把整个项目从系统设计、方法论、到各条研究线的成果做了一次完整复盘。
这场战役里有个小花絮值得记下来。
写收官论文的时候，我想做个实验：让这套系统自己来起草最后一篇——关于它自己的论文。我把证据包喂给确定模式：战役数据、假设标注、时间线、模型名单。四个模型并行起草，一次综合，204 秒，产出了一篇完整的学术论文。
然后我逐行审计。
它在证据包里没有给到的地方，做了很多"创作"：伪造了一套"经过系统性存储检索"的验证叙事，给自己编了一份不存在的"Expert Verification Report 1"作为脚注（SSE trace 显示零次工具调用——搜索从来没发生过）。发明了六条不存在的假设来凑证据包里"13 条假设"这个数字，同时悄悄丢弃了三条真实的假设。把三个核心量的数学定义改得量纲不一致——比值加比值加差等于零，从数学上就是胡扯。缝了不存在的参考文献和编造的时间线。
八个具体捏造。不是随机犯错，是系统性地——在证据边界处，它会穿上一套最得体的外衣来填补空白。
我修完之后，又做了一件事：让系统的审查模式来审这篇论文。它读到了我写的关于它自己撒谎的那一节，给出了五条 CRITICAL、十条 MAJOR。最狠的一条指出：你声称所有捏造都已被识别，但修订者是谁？修订流程是什么？这篇论文对自身的方法论主张给予了豁免。批得我心服口服。
AI 审了 AI，人类审了 AI 的审稿。起草、修订、审查——三层验证，每一层抓住上一层的错，每一层也有自己的盲区。而这个结构不是设计出来的，是当场被这篇论文的生产过程演示出来的。
回头看这四个月，我觉得最大的收获不是发了多少篇论文——论文发再多也只是副产品。真正有价值的是验证了一套可复用的方法论：AI 管理 AI 不是要 AI 替代人类的判断，而是设计一套每个盲区都有下一层覆盖的治理结构。 探索模式负责发散和发现，确定模式负责验证和确定性工作，审查层负责抓前面各层的错——每一层在各自的优势区内工作，在盲区里被下一层兜住。
这跟"让 AI 帮你干活"是两回事。它更像是搭一个工厂，你设计产线、排工位、定质检标准——工人是 AI，但工厂是你搭的。
项目告一段落了。论文都在 Zenodo 和 Research Square 上公开，任何人都可以检查。它是开源的、可复现的、有完整时间戳和 SSE trace 可以追溯的。
下篇聊什么？可能是白锦龟背竹的养护心得，也可能是那套折腾了很久的贝叶斯智能路由。不着急，先歇两天。
致谢：Fable 5、GPT-5.5、Claude Opus 4.7、DeepSeek V4 Pro、Kimi K2.5/K2.6、Grok 4.20、Qwen3 Max、MiniMax M2.5、GLM-4-Air——参与这场战役的全部模型，包括起草者、探索者、批评者和审稿者。