拆解 PaperBanana 学术绘图流程中的多 Agent 分工机制，聚焦 Retriever、Planner、Stylist、Visualizer 与 Critic 如何协作生成论文方法图。

拆解 DSPy 的 Signature、Module 与 Optimizer，解释为什么 DSPy 比直接写 Prompt 更容易做自动优化，适合关注提示词工程、LLM 工作流、AI 内容生成与教育 AI 的团队。

拆解 PaperBanana 的 Retriever、Planner、Stylist、Visualizer 与 Critic 五个 Agent，系统梳理 AI 如何协作生成学术方法图，适合关注论文配图、学术写作与科研工作流的中文读者。

系统拆解 AlphaGeometry DSL 的问题格式、defs.txt action 定义、predicate 语义、rules.txt 推理规则与构造流程，适合做几何求解器、数据生成与 AlphaGeometry 复现。

拆解 AlphaGeometry2 如何把几何推理、辅助线搜索与符号证明结合起来解决 IMO 几何题，并总结对数学 AI 工程的启发。

前言Google DeepMind Aletheia 在 IMO-ProofBench Advanced 数据集中以 ~91.9% 成绩遥遥领先。 针对美国数学奥林匹克 2025 难题表现也远超基线系统。在内部更难的 benchmark 上表现超过旧版推理模型，虽仍有差异但已领先过去基线。 最近关于 Aletheia 的讨论，有点熟悉的味道。 标题里写着“AI 数学家”，评论区在问“是不是要取代数学家了？是不是已经能自动搞科研了？” 我认真研究了下 Aletheia 的论文和数据集，把我学习到的关键架构和落地价值做了梳理，也正是本篇文章的内容。 一、DeepMind Aletheia 的来时路把时间线拉长看，会发现 Google DeepMind 在这个方向上已经蓄力很久了。 在 2016 年推出 AlphaGo，就已经开始研究一个问题：如何在一个规则完备、评价函数明确的系统里，优化决策路径？ 棋盘是离散的，胜负可判定，搜索空间巨大但结构清晰，那是一种理想的策略优化环境。 DeepMind 那套“神经网络 +...

前言上一篇写 MathCanvas 深度解析 的时候，我的总结观点是：大模型在几何上不稳定，并不是因为看不懂图，而是因为没有稳定的中间结构可以操作。 一些研究工作开始让模型画出来再想。 比如 MathCanvas 的做法，让模型在内部生成草图，再基于草图推理。 写完那篇后，有读者问我： 既然视觉中间步骤这么重要，为什么不直接让模型把图真的画出来？ 找了下相关的研究，果然有，看到 HKU 的 CodePlot-CoT，他们就是这么做了。 模型不再“脑补”辅助线，而是写 python matplotlib，把辅助线真的画出来，再继续解题。 听起来非常合理吧，如果视觉推理不稳定，那就给模型一个可执行的视觉世界。 但新的问题也随之出现： 当模型开始“写图形代码”时，它到底是在进行几何推理，还是只是在一个具体坐标实例上做数值验证？ 要回答这个问题，得先看论文到底在解决什么。 论文真正要解决的问题CodePlot-CoT...

前言数学，长期以来被视为人工智能最难攻克的高地之一。 它高度形式化、符号密集、推理链条漫长，对中间过程的正确性有极高要求——这与大模型擅长的“流畅语言生成”之间，天然存在张力。 也正因为如此，AI 在数学上的每一次实质性突破，往往都不是多答对几道题，而是一次推理范式与系统架构的跃迁。 过去两年里，“AI for Math”从热点概念逐步走向工程现实： 一边是竞赛分数不断被刷新，另一边则是对评测失真、数据污染、不可验证推理的反思不断加深。 本文尝试站在一个长期做教育产品、也深度参与 AI 工程落地的开发者视角，系统梳理当前的阶段下： 主流数学基准的真实可信度发生了哪些变化 大模型数学能力的真实的分层现状 架构型解题系统如何取代单模型刷题 以及哪些方向，才真的值得产品与研究投入 如果你正在做数学相关的 AI 产品，这篇文章就是为你写的。 一、大模型的数学能力：从刷题能力到结构能力1. 基准测试的真实演进早期数学能力评测，基本围绕 GSM8K / MATH / AIME 展开。但到 2025...