超级大脑：让多个大模型协作思考

用单个大模型写技术文章，我遇到过一个非常一致的失败模式：前两段像人写的，写到后面逻辑开始跳、论据开始虚、结构开始散。换一个更大的模型？好一点，但问题依旧。

后来想明白了一件事：问题不在模型不够大，在于单一模型的能力分布天然不均匀。 一个模型同时负责查资料、搭结构、写文字、查错，就像让一个人同时当作者、编辑和校对——总有一个角色会拉胯。

更反直觉的是，论文已经证明了：把几个中等模型组合起来，效果可以超过一个更大的模型。这不是玄学，而是结构化地利用了不同模型之间的互补性。

我做的事情就是把这个思路工程化，做成了一个 Hermes Agent 技能——超级大脑。

超级大脑是什么

技能名称：moa-plus（超级大脑）

主要作用：把多个大模型的回答自动融合成一个更好的回答。你给它一个问题，它内部派多个模型并行处理，然后用一个聚合模型把所有回答综合成最终输出。对调用方来说，和调用一个普通模型没有任何区别。

核心原理来自 2024 年的 Mixture-of-Agents（MoA）论文（arXiv:2406.04692）：

输入问题
  ↓
参考模型 A、B、C 并行回答（各写各的）
  ↓
聚合器收到三个回答 → 融合成一个最终答案
  ↓
stdout 输出纯文本

关键洞察是：不同模型对同一个问题的”盲区”不一样。模型 A 漏掉的细节，模型 B 可能正好抓住了。聚合器的工作就是把三个回答里最好的部分提取出来，合成一个比任何单个回答都更好的结果。

相比普通大模型，优势在哪

第一：互补性

单个模型再强，也有盲区。三个不同厂商、不同架构的模型同时回答，盲区重叠的概率大大降低。论文实验数据显示，MoA 组合在 AlpacaEval 2.0 上的胜率超过 GPT-4o。

第二：自带审稿

写完初稿，让另一组模型审——不是同一个模型审自己，而是真正不同的模型在审。就像报社的编辑和记者不是同一个人。我把它直接集成到了博客工作流里，写稿用一个预设，审稿用另一个预设。

第三：黑盒调用

这是我做的最重要的工程决策。所有多模型协作的复杂性——并行调用、超时处理、聚合融合、fallback 兜底——全部封装在一行命令里：

python3 moa_plus.py generate \
  --preset creative \
  --prompt "写一篇关于多模型协作的技术博客"
# stdout 直接输出融合后的文本

对调用方来说，它就是一个更强的”模型”。你不需要知道内部有几个模型在跑，不需要管超时，不需要手动拼接结果。

四种预设方案

针对不同场景，内置了四种预设：

预设	聚合器	参考模型	适用场景
default	GLM-5	DeepSeek-V4-Flash + Sensenova	日常通用，兼顾速度和质量
research	glm-5.2	DeepSeek-V4-Pro + GLM-5.1 + Sensenova	深度分析、技术调研、审稿
fast	glm-5-turbo	DeepSeek-V4-Flash	快速响应，简单任务
creative	DeepSeek-V4-Pro	GLM-5.1 + Sensenova	写文章、创意输出

选哪个？一句话：要质量用 research，要速度用 fast，写东西用 creative，不确定就用 default。

实战：这篇文章就是超级大脑写的

这篇文章本身就是超级大脑的产物。完整流程：

1. 写稿：moa_plus.py generate --preset creative，两个参考模型（GLM-5.1、Sensenova）并行写初稿，DeepSeek-V4-Pro 聚合器融合成最终文本
2. 审稿：moa_plus.py generate --preset research，另一组模型交叉审查，发现事实错误、逻辑矛盾、无来源数据
3. 修订：根据审稿意见修正后重新审核，直到零 MUST_FIX

整个过程不需要人工干预模型选择和结果拼接——generate 命令处理了一切。

容错设计

工程上碰过几个坑：

模型超时。不是所有模型都稳定在线。解决办法是每个参考模型独立超时（30 秒），超时直接跳过。只要至少 1 个参考模型有输出，流程继续。全部超时才报错。

聚合器失败。最尴尬的情况是参考模型都正常，但聚合器挂了。解决办法是 fallback 到最长的参考响应——虽然没融合，但内容完整可用。

同质模型堆数量没用。试过用 4 个同架构模型做参考，效果还不如 2 个不同架构的。模型选型要注重差异性和互补性，不是越多越好。

局限性

不是银弹。简单问答、翻译、格式转换——单模型更快更省。多模型协作的价值在需要多种能力协同的复杂任务：写长文、技术调研、交叉审查。杀鸡不用牛刀，但杀牛的时候，你需要一把好刀。

---

参考文献

1. Mixture-of-Agents Boosts Large Language Model Capabilities (Junlin Wang et al., 2024)
2. Hermes Agent 官方文档