来自 meng shao（@shao__meng）的推文线程

[開源推薦] LLM Council: Andrej Karpathy 一個週末"Vibe Coding" 的項目，透過多模型協作提升AI 回答品質。想像一個虛擬「理事會」場景，多個AI 模型圍坐圓桌，討論使用者查詢，從初始回應到最終合成。 Karpathy 早期的想法：使用LLM 輔助閱讀，並預測未來寫作將更注重「讓LLM 理解」而非單純面向人類。這個項目正是這一理念的實踐擴展，將多個LLM 組合成“理事會”，模擬集體審議過程。 Karpathy 觀察到，模型間互評時常「謙虛」認可他人輸出，這揭示了LLM 整合設計的潛力——一個尚未充分探索的領域。 GitHub 倉庫：llm-council https://t.co/yFBqjm4IVU 本地運行的Web 應用，模擬“多模型AI 顧問委員會”，針對複雜查詢（如閱讀書籍章節）產生更可靠、洞察性的回應。透過OpenRouter API 存取多個LLM，避免單一模型的偏差。專案程式碼簡潔（Python 後端+ React 前端），易於自訂，強調實驗性而非生產級穩健性。 主要功能· 多模型並行回應：使用者查詢同時分發給理事會模型，顯示側邊回應視圖，以便於比較。 · 匿名互評機制：模型審查彼此輸出（隱藏身分），基於準確性和深度評分。這步驟有趣地揭露模型「自我認知」差異。 · 主席合成：指定模型整合排名結果，輸出最終答案。 · 本機儲存：對話歷史保存在JSON 文件，以便於回顧。 工作流程（三階段） 1. 第一階段：初始意見查詢發送至所有模型（如GPT-5.1、Gemini-3-Pro、Claude-Sonnet-4.5、Grok-4），每個模型獨立產生回應。介面顯示並排卡片，突出差異（如GPT 更詳盡，Gemini 更精煉）。 2. 第二階段：檢視與排名每個模型收到匿名回應集，評估並排序他人輸出。範例提示鼓勵客觀性：「哪個最準確？哪個提供最佳洞見？」 這步揭示模型偏好，常有「跨模型讚譽」現​​象。 3. 第三階段：最終響應主席模型（預設Gemini-3-Pro）接收全部分析，合成簡潔輸出，標註來源排名。結果往往更平衡，減少冗餘。