什么是集体智能？

集体智能是指多个模型、信号与决策过程作为统一系统协同工作时，所涌现出的智能。

核心思想

正如专家团队能比任何单一专家更好地解决问题，一组专用 LLM 也能比单一模型提供更优结果。

传统做法：单模型

用户查询 → 单一 LLM → 响应

局限：

• 一个模型试图面面俱到
• 缺少专精与优化
• 简单与复杂任务用同一模型
• 难以从模式中持续学习

集体智能：模型系统

用户查询 → 信号提取 → 投影协调 → 决策引擎 → 插件 + 模型分发 → 响应
              ↓                    ↓                         ↓                         ↓
        14 类信号族           分区 / 打分 / 映射           布尔策略               专用模型

优势：

• 各模型专注所长
• 系统从全量交互中学习模式
• 基于多信号的自适应路由
• 信号融合带来涌现能力

集体智能如何产生

1. 信号多样性

不同信号刻画智能的不同侧面：

信号族分组	智能侧面
启发式（authz、context、keyword、language、structure）	快速的请求形态、区域与策略门禁
学习型（complexity、domain、embedding、modality、fact-check、jailbreak、pii、preference、user-feedback）	语义、安全、模态与偏好理解

集体收益：多信号组合比单一信号理解更丰富。

2. 投影协调

当路由器把信号协调成可复用的中间事实时，价值更大：

projections:
  partitions:
    - name: balance_domain_partition
      semantics: exclusive
      members: [mathematics, coding, creative]
      default: creative
  scores:
    - name: reasoning_pressure
      method: weighted_sum
      inputs:
        - type: complexity
          name: hard
          weight: 0.6
        - type: embedding
          name: math_intent
          weight: 0.4
  mappings:
    - name: reasoning_band
      source: reasoning_pressure
      method: threshold_bands
      outputs:
        - name: balance_reasoning
          gte: 0.5

集体收益：投影将多条较弱或竞争性的信号转化为可复用的命名路由事实，供多条决策共用。

3. 决策融合

信号通过逻辑运算符组合：

# 示例：多信号数学路由
decisions:
  - name: advanced_math
    rules:
      operator: "AND"
      conditions:
        - type: "domain"
          name: "mathematics"
        - type: "projection"
          name: "balance_reasoning"

集体收益：多信号「共同投票」比单一信号更准确。

4. 模型专精

不同模型贡献各自强项：

modelRefs:
  - model: qwen-math # 数学推理
    weight: 1.0
  - model: deepseek-coder # 代码生成
    weight: 1.0
  - model: claude-creative # 创意写作
    weight: 1.0

集体收益：系统级智能来自把查询交给合适的专家。

5. 插件协作

插件协同增强响应：

routing:
  decisions:
    - name: "protected-route"
      plugins:
        - type: "semantic-cache" # 加速
        - type: "jailbreak" # 安全
        - type: "pii" # 隐私
        - type: "system_prompt" # 上下文
        - type: "hallucination" # 质量

集体收益：多层处理使系统更稳健、更安全。

实例

用户查询

"Prove that the square root of 2 is irrational"

信号提取

signals_detected:
  keyword: ["prove", "square root", "irrational"] # 数学关键词
  embedding: 0.89 # 与数学查询高相似
  domain: "mathematics" # MMLU 分类
  fact_check: true # 证明需要核验

投影协调

projection_outputs:
  balance_domain_partition: "mathematics"
  balance_reasoning: true

决策

decision_made: "advanced_math"
reason: "数学领域且投影指示推理压力"
confidence: 0.95

模型选择

selected_model: "qwen-math"
reason: "擅长数学证明"

插件链

plugins_applied:
  - semantic-cache: "未命中缓存，继续"
  - jailbreak: "未检测到对抗模式"
  - system_prompt: "追加：请给出严格数学证明"
  - hallucination: "启用事实核验"

结果

• 准确：路由到数学专家
• 快：先查缓存
• 安全：确认无越狱企图
• 高质量：启用幻觉检测

这就是集体智能：并非由单一组件拍板，而是信号、投影、规则、模型与插件协作涌现出的决策。

集体智能的收益

1. 更高准确率

• 多信号降低误报
• 专用模型在各自领域表现更好
• 信号融合覆盖更多边界情况

2. 更强鲁棒性

• 某一信号失效时系统仍可工作
• 多层安全形成纵深防御
• 回退机制保障可用性

3. 持续学习

• 从全量交互中学习模式
• 反馈信号改进后续路由
• 集体知识随时间增长

4. 涌现能力

• 可处理并非为单点设计的场景
• 新模式从信号组合中涌现
• 智能随系统复杂度扩展

下一步

• 什么是信号驱动决策？ — 深入决策引擎
• 配置指南 — 搭建自己的集体智能系统
• 信号教程 — 学习配置信号与决策