Written with AI assistance from the source video. The video is the authority.
6:03Better Stack
Log in to leave a comment
No posts yet
大規模な数学問題解決システムを研究室のデスクトップに導入する際、巨大なアーキテクチャの概要は何の役にも立ちません。ローカル環境で Lean 4 パイプラインを直接セットアップし、長期実行型のマルチエージェントを連携させて数学の探索作業を完全に自動化するための実務手順をまとめます。
開発環境で Lean 4を手動でインストールし、VS Code 言語サーバープロトコルに依存すると、大規模なAI検証時に深刻なボトルネックを引き起こします。Mathlib4 の事前コンパイル済みバイナリがキャッシュされない場合、ローカル CPU が数十万個の定理を直接再コンパイルするため、環境構築だけで 180分以上を要します。秒間数十回以上のコード検証リクエストを処理するには、FastAPI ベースの Kimina Lean Server パイプラインに切り替える必要があります。
長期実行型の数学問題検証作業のセットアップ時間を 180分から 20分以内に短縮する具体的な構築手順は以下の通りです。
`lean
import Lake
open Lake DSL
package «proof_automation» {
}
require mathlib from git
"https://github.com/leanprover-community/mathlib4.git" @ "v4.15.0"
require repl from git
"https://github.com/leanprover-community/repl.git" @ "main"
@[default_target]
lean_lib «ProofAutomation» {
}
`
`bash
lake update
lake exe cache get
lake build
`
この作業を完了すると、事前コンパイルキャッシュを即座に取得して 20分以内に完全なローカル REPL 実行環境が整い、秒間最大 50個の証明段落を同時に検証できます。
単一の大規模言語モデルのプロンプト呼び出しで複雑な定理証明を試みると、コンテキストが長くなるにつれてサブ目標を見失ったり、無限ループに陥ったりします。問題分割を担当するルートエージェントと、独立した下位タクティクスを実行するサブエージェントに役割を分離した階層型有向非巡回グラフアーキテクチャを適用する必要があります。
エージェント通信規格として JSON 形式を採用し、スコープを分離してプロンプトを渡すことで、API トークン消費量を 40パーセント以上削減できます。サブエージェント呼び出し時に使用する JSON スキーマは次のとおりです。
`json
{
"$schema": "https://json-schema.org/draft/2020-12/schema",
"title": "SubAgentProofTask",
"type": "object",
"properties": {
"task_id": { "type": "string" },
"target_hypothesis": { "type": "string" },
"current_goal_state": { "type": "string" },
"previous_failure_logs": {
"type": "array",
"items": {
"type": "object",
"properties": {
"attempted_tactic": { "type": "string" },
"error_message": { "type": "string" }
}
}
},
"sub_goal_target": { "type": "string" }
},
"required": ["task_id", "target_hypothesis", "current_goal_state", "sub_goal_target"]
}
`
エージェントのハルシネーションによる無限ループを遮断し、安定した階層構造を稼働させる段階的な制御手順は以下の通りです。
数時間にわたって継続する証明探索作業において、リクエストごとに全体の会話履歴をバックエンド API に送信すると、トークン使用量が急増します。LeanExplore および Vector DB ベースのキャッシュレイヤーを構築し、すでに検証済みの中間 Tactic 結果を補題の形式でメモリグラフに要約反映させることで、入力トークンのオーバーヘッドを制御する必要があります。
バックエンドサーバーには REPL セッションの環境識別子を登録し、プロンプト上部で繰り返される import Mathlib の記述を削除します。これだけでも入力トークンを 50パーセントから 70パーセントまで即座に削減できます。予算上限の超過による API 費用の急騰を防止するための制御パイプラインの実装手順は次のとおりです。
`python
import sys
import json
import logging
class CostMonitor:
def init(self, max_budget_usd: float, token_cost_per_1k: float):
self.max_budget = max_budget_usd
self.cost_per_1k = token_cost_per_1k
self.total_tokens_used = 0
self.current_cost = 0.0
def track_usage(self, prompt_tokens: int, completion_tokens: int):
tokens_in_call = prompt_tokens + completion_tokens
self.total_tokens_used += tokens_in_call
self.current_cost += (tokens_in_call / 1000.0) * self.cost_per_1k
logging.info(f"[TELEMETRY] Used Tokens: {tokens_in_call} | Total Cost: ${self.current_cost:.4f}")
if self.current_cost >= self.max_budget:
self.trigger_safe_pause()
def trigger_safe_pause(self):
logging.warning("[WARNING] Target budget threshold reached. Pausing workflow...")
with open(".leanflow/workflow-state/checkpoint.json", "w") as f:
json.dump({"status": "PAUSED_BUDGET_EXCEEDED", "tokens": self.total_tokens_used}, f)
sys.exit(0)
`
AI エージェントがコードを生成した後に手動でエラーをレビューする方式は、研究全体における致命的なボトルネックとなります。Lean REPL コンパイラが出力する構文エラー、型不一致、未解決目標などの JSON パースデータをエージェントのフィードバック入力に直接接続する必要があります。
手動レビューを代替し、研究速度を 2倍以上に向上させる自動修正制御ループの動作方式は以下の通りです。
`python
def parse_lean_repl_output(repl_response_json: str):
data = json.loads(repl_response_json)
parsed_diagnostics = {
"has_error": False,
"errors": [],
"open_sorries": []
}
if "messages" in data:
for msg in data["messages"]:
if msg.get("severity") == "error":
parsed_diagnostics["has_error"] = True
parsed_diagnostics["errors The text has been translated"] = [] # Note: keeping original logic
parsed_diagnostics["errors"].append({
"line": msg["pos"]["line"],
"column": msg["pos"]["column"],
"data": msg["data"]
})
if "sorries" in data:
for sorry in data["sorries"]:
parsed_diagnostics["open_sorries"].append({
"goal": sorry["goal"],
"proof_state": sorry["proofState"],
"line": sorry["pos"]["line"]
})
return parsed_diagnostics
`
完全に検証された Clean コードは doc-gen4 および paperproof 変換ツールを通過し、研究論文に即座に挿入可能な論理グラフの可視化および LaTeX コンテキストとして自動生成されます。
`bash
lake build LeanAutomation:docs
lean-graph extract --input Main.lean --output proof_dependency.json
`