Panduan Pengaturan Lingkungan Otomatisasi Pembuktian Lean 4 Lokal untuk Penelitian Matematika

Saat memasang sistem pemecahan masalah matematika skala besar di desktop laboratorium, ringkasan arsitektur raksasa sama sekali tidak membantu. Bagian ini merangkum langkah-langkah praktis untuk menyiapkan pipeline Lean 4 secara langsung di lingkungan lokal dan menghubungkan agen multi-eksekusi jangka panjang untuk mengotomatiskan sepenuhnya tugas eksplorasi matematika.

Membangun Lingkungan Verifikasi Pembuktian Lean Lokal

Jika Anda menginstal Lean 4 secara manual di lingkungan pengembangan dan mengandalkan protokol server bahasa VS Code, hal tersebut akan menyebabkan hambatan (bottleneck) parah selama verifikasi AI skala besar. Jika binari prakompilasi Mathlib4 tidak di-cache, CPU lokal akan mengompilasi ulang ratusan ribu teorema secara manual, sehingga pengaturan lingkungan saja memerlukan waktu lebih dari 180 menit. Untuk memproses permintaan verifikasi kode puluhan kali atau lebih per detik, Anda harus beralih ke pipeline Kimina Lean Server berbasis FastAPI.

Berikut adalah prosedur pengaturan spesifik untuk memangkas waktu pengaturan verifikasi masalah matematika berdurasi panjang dari 180 menit menjadi kurang dari 20 menit:

Kunci toolchain di file lean-toolchain di direktori root proyek. Masukkan teks leanprover/lean4:v4.15.0 di dalam file tersebut.
Buka file konfigurasi lakefile.lean dan tentukan paket Mathlib4 serta repositori repl yang memproses input/output JSON berbasis stdio.

`lean
import Lake
open Lake DSL

package «proof_automation» {
}

equire 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» {
}

Buka terminal dan jalankan perintah berikut secara berurutan untuk mengunduh dan membangun artefak binari yang telah dikompilasi sebelumnya:

`bash
lake update
lake exe cache get
lake build

Setelah menyelesaikan tugas ini, Anda akan langsung menerima cache prakompilasi sehingga lingkungan eksekusi REPL lokal yang lengkap siap dalam waktu 20 menit, dan Anda dapat memverifikasi hingga 50 paragraf pembuktian secara bersamaan per detik.

Desain Pembagian Peran Agen Root dan Sub-Agen

Jika Anda mencoba membuktikan teorema kompleks dengan panggilan prompt Large Language Model tunggal, Anda akan kehilangan sub-tujuan atau masuk ke dalam perulangan tak terbatas seiring dengan semakin panjangnya konteks. Anda harus menerapkan arsitektur Directed Acyclic Graph (DAG) hierarkis yang membagi peran menjadi agen root yang bertanggung jawab atas dekomposisi masalah dan sub-agen yang mengeksekusi taktik bawahan yang terisolasi.

Jika Anda mengadopsi format JSON sebagai standar komunikasi agen dan mengisolasi cakupan saat meneruskan prompt, Anda dapat mengurangi konsumsi token API hingga 40 persen atau lebih. Skema JSON yang digunakan saat memanggil sub-agen adalah sebagai berikut:

`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"]
}

Urutan kontrol langkah demi langkah untuk memblokir perulangan tak terbatas yang disebabkan oleh halusinasi agen dan menjalankan struktur hierarkis yang stabil adalah sebagai berikut:

Saat mengikat prompt input ke sub-agen, konfigurasikan prompt untuk menghapus seluruh riwayat percakapan dan hanya mengirimkan 3 elemen inti: hipotesis, Goal State, dan log kegagalan sebelumnya.
Lakukan hashing pada string proofState yang dikembalikan dari Lean REPL menggunakan algoritma SHA-256 dan simpan dalam memori. Jika hash status yang sama terdeteksi berulang kali sebanyak 3 kali atau lebih, pangkas cabang pencarian tersebut.
Tetapkan batas waktu (timeout) 5 detik untuk operasi Tactic tunggal dan 120 detik untuk pencarian keseluruhan sub-agen, dan kirimkan sinyal SIGKILL jika terlampaui untuk segera mengatur ulang proses REPL.

Strategi Manajemen Konteks untuk Mengontrol Biaya Token API

Dalam tugas eksplorasi pembuktian yang berlangsung selama berjam-jam, pengiriman seluruh riwayat percakapan ke API backend pada setiap permintaan akan menyebabkan penggunaan token meroket. Anda harus membangun lapisan cache berbasis LeanExplore dan Vector DB, serta mengontrol overhead token input dengan merangkum hasil Tactic menengah yang telah diverifikasi ke dalam grafik memori dalam bentuk teorema bantu (lemma).

Daftarkan pengenal lingkungan (environment identifier) sesi REPL di server backend untuk menghapus sintaks import Mathlib yang berulang di bagian atas prompt. Hanya dengan melakukan ini, token input dapat langsung dikurangi dari 50 persen menjadi 70 persen. Prosedur implementasi pipeline kontrol untuk mencegah lonjakan biaya API akibat melebihi batas anggaran adalah sebagai berikut:

Buat direktori jalur .leanflow/cache/ dan .leanflow/workflow-state/ di direktori lingkungan lokal.
Tulis modul CostMonitor berbasis Python untuk melacak dan menjumlahkan token serta biaya yang dikonsumsi secara real-time saat memanggil API.
Jalankan skrip yang menyimpan file snapshot checkpoint dan menghentikan proses dengan aman ketika jumlah ambang batas tercapai.

`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)

Implementasi Perulangan Koreksi Otomatis Kesalahan Kode Pembuktian

Metode di mana agen AI meninjau kesalahan secara manual setelah membuat kode adalah hambatan fatal bagi keseluruhan penelitian. Data parsing JSON seperti kesalahan sintaksis, ketidakcocokan tipe (type mismatch), dan target yang belum terselesaikan yang dikeluarkan oleh kompiler Lean REPL harus dihubungkan langsung ke input umpan balik agen.

Cara kerja perulangan kontrol koreksi otomatis yang menggantikan tinjauan manual dan meningkatkan kecepatan penelitian lebih dari 2 kali lipat adalah sebagai berikut:

Menerima respons JSON yang dikembalikan dari Lean REPL, lalu mengekstrak lokasi kesalahan, pesan error tipe, dan target yang tersisa ke dalam data terstruktur melalui parser Python di bawah ini:

`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 C"].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

Selama 1 hingga 4 percobaan awal, ikat data pesan kesalahan yang di-parse ke prompt sub-agen untuk memodifikasi parameter Tactic di lokasi tersebut secara lokal dan presisi.
Jika verifikasi gagal terus-menerus selama 5 kali atau lebih di titik yang sama, lakukan backtracking untuk membatalkan strategi pembuktian tersebut dan beralih secara otomatis ke mode dekomposisi ulang sketsa yang memotong lemma menjadi unit yang lebih kecil.

Kode Clean yang telah diverifikasi sepenuhnya akan melewati alat konversi doc-gen4 dan paperproof untuk otomatis menghasilkan visualisasi grafik logis dan konteks LaTeX yang dapat langsung disisipkan ke dalam makalah penelitian.

`bash
lake build LeanAutomation:docs
lean-graph extract --input Main.lean --output proof_dependency.json

Panduan Pengaturan Lingkungan Otomatisasi Pembuktian Lean 4 Lokal untuk Penelitian Matematika

Membangun Lingkungan Verifikasi Pembuktian Lean Lokal

Berikut adalah prosedur pengaturan spesifik untuk memangkas waktu pengaturan verifikasi masalah matematika berdurasi panjang dari 180 menit menjadi kurang dari 20 menit:

Kunci toolchain di file lean-toolchain di direktori root proyek. Masukkan teks leanprover/lean4:v4.15.0 di dalam file tersebut.
Buka file konfigurasi lakefile.lean dan tentukan paket Mathlib4 serta repositori repl yang memproses input/output JSON berbasis stdio.

`lean
import Lake
open Lake DSL

package «proof_automation» {
}

equire 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» {
}

Buka terminal dan jalankan perintah berikut secara berurutan untuk mengunduh dan membangun artefak binari yang telah dikompilasi sebelumnya:

`bash
lake update
lake exe cache get
lake build

Desain Pembagian Peran Agen Root dan Sub-Agen

Urutan kontrol langkah demi langkah untuk memblokir perulangan tak terbatas yang disebabkan oleh halusinasi agen dan menjalankan struktur hierarkis yang stabil adalah sebagai berikut:

Saat mengikat prompt input ke sub-agen, konfigurasikan prompt untuk menghapus seluruh riwayat percakapan dan hanya mengirimkan 3 elemen inti: hipotesis, Goal State, dan log kegagalan sebelumnya.
Lakukan hashing pada string proofState yang dikembalikan dari Lean REPL menggunakan algoritma SHA-256 dan simpan dalam memori. Jika hash status yang sama terdeteksi berulang kali sebanyak 3 kali atau lebih, pangkas cabang pencarian tersebut.
Tetapkan batas waktu (timeout) 5 detik untuk operasi Tactic tunggal dan 120 detik untuk pencarian keseluruhan sub-agen, dan kirimkan sinyal SIGKILL jika terlampaui untuk segera mengatur ulang proses REPL.

Strategi Manajemen Konteks untuk Mengontrol Biaya Token API

Buat direktori jalur .leanflow/cache/ dan .leanflow/workflow-state/ di direktori lingkungan lokal.
Tulis modul CostMonitor berbasis Python untuk melacak dan menjumlahkan token serta biaya yang dikonsumsi secara real-time saat memanggil API.
Jalankan skrip yang menyimpan file snapshot checkpoint dan menghentikan proses dengan aman ketika jumlah ambang batas tercapai.

`python
import sys
import json
import logging

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)

Implementasi Perulangan Koreksi Otomatis Kesalahan Kode Pembuktian

Cara kerja perulangan kontrol koreksi otomatis yang menggantikan tinjauan manual dan meningkatkan kecepatan penelitian lebih dari 2 kali lipat adalah sebagai berikut:

Menerima respons JSON yang dikembalikan dari Lean REPL, lalu mengekstrak lokasi kesalahan, pesan error tipe, dan target yang tersisa ke dalam data terstruktur melalui parser Python di bawah ini:

`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 C"].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

Selama 1 hingga 4 percobaan awal, ikat data pesan kesalahan yang di-parse ke prompt sub-agen untuk memodifikasi parameter Tactic di lokasi tersebut secara lokal dan presisi.
Jika verifikasi gagal terus-menerus selama 5 kali atau lebih di titik yang sama, lakukan backtracking untuk membatalkan strategi pembuktian tersebut dan beralih secara otomatis ke mode dekomposisi ulang sketsa yang memotong lemma menjadi unit yang lebih kecil.

`bash
lake build LeanAutomation:docs
lean-graph extract --input Main.lean --output proof_dependency.json

Panduan Pengaturan Lingkungan Otomatisasi Pembuktian Lean 4 Lokal untuk Penelitian Matematika

관련 영상

OpenAI Astra Baru Saja Memajukan Matematika... 10 Kali Lipat.

Panduan Pengaturan Lingkungan Otomatisasi Pembuktian Lean 4 Lokal untuk Penelitian Matematika

Membangun Lingkungan Verifikasi Pembuktian Lean Lokal

Desain Pembagian Peran Agen Root dan Sub-Agen

Strategi Manajemen Konteks untuk Mengontrol Biaya Token API

Implementasi Perulangan Koreksi Otomatis Kesalahan Kode Pembuktian

커뮤니티의 다른 글

사내 시스템에 llm api 붙일 때 마주하는 현실적인 한계와 대응법

레거시 백엔드에 GPT-6 Astra 붙일 때 예산 승인과 보안 통과를 먼저 끝내는 법이 있습니다

에이전트끼리 대화하다 6천만 원 청구서가 나오는 이유

사내 RAG 벡터 검색에 Okta 권한 필터를 직접 거는 방법

브라우저 에이전트에게 내 구글 계정을 통째로 넘기면 안 되는 이유

Apple Won the AI Race

댓글 (0)

Panduan Pengaturan Lingkungan Otomatisasi Pembuktian Lean 4 Lokal untuk Penelitian Matematika

Membangun Lingkungan Verifikasi Pembuktian Lean Lokal

Desain Pembagian Peran Agen Root dan Sub-Agen

Strategi Manajemen Konteks untuk Mengontrol Biaya Token API

Implementasi Perulangan Koreksi Otomatis Kesalahan Kode Pembuktian