利用 LLM 大规模迭代探索解决方案搜索空间。
高度专用且经过精心设计的多代理流程。目标是为任何类型的问题/基准测试扩展推理测试时的计算能力，并推动前沿发展。全面支持所有主要提供商，并提供本地模型支持。
Deepthink 是一个多代理系统,通过路由非常精确和精细的上下文来协调具有高度专注作用的代理,以探索解决方案搜索空间。更广泛地说,它会同时探索任何给定用户请求的多种"正确轨迹"或"实现"或"执行"。该系统基于以下思想:"策略相似性","假设相似性","并行探索","迭代修正/细化","通过精心设计的上下文进行跨策略学习","独立的假设生成和测试","随机结构化噪声注入"和"元策略演进循环(修剪)"。用户可以根据需要对每个代理角色进行外科手术式的引导。
完整的 Deepthink 流程: 用户提供核心挑战或将一些文件放入虚拟环境中,然后启动流程。系统首先会生成多种高级别的、不同的核心挑战解决方法(策略):在全局上下文中,这些方法类似于并行分支,它们尝试使用提供的方法(策略)来执行用户提供的核心挑战。
同时,针对核心用户面临的挑战,产生了各种假设,并对每个假设进行了独立测试。这些假设可能包括测试关键的不确定性,或针对一个较小的案例解决一个问题,并测试是否可以将其应用于更大的网络等。这种情况非常有用,因为它已被一个独立代理进行了全面的测试,而且代理不必再次花费代币来思考这些问题。
大多数情况下,假设都明确了解策略,即它们确切地知道系统中将执行哪些策略。因此,这些假设是基于执行这些策略的代理的利益而生成的,这些假设也在更高级别上得到解决,即应该对哪些策略/分支进行假设测试。
暂无开放 Issues，或尚未同步最近议题。