数学研究的本地 Lean 4 证明自动化环境配置指南

在大规模数学问题解决系统部署到实验室台式机时，宏大的架构概述没有任何帮助。本文整理了在本地环境中直接配置 Lean 4 管道并联动长期运行的多智能体以完全自动化数学探索任务的实操步骤。

构建本地 Lean 证明验证环境

在开发环境中手动安装 Lean 4 并依赖 VS Code 语言服务器协议，会在大规模 AI 验证时引发严重的瓶颈。如果不缓存 Mathlib4 预编译二进制文件，本地 CPU 将直接重新编译数十万个定理，仅环境搭建就需要耗费 180 分钟以上。为了每秒处理数十次以上的代码验证请求，必须转为基于 FastAPI 的 Kimina Lean Server 管道。

将长期运行的数学问题验证任务配置时间从 180 分钟缩短至 20 分钟以内的具体构建步骤如下：

将工具链固定在项目根目录的 lean-toolchain 文件中。在文件内部输入 leanprover/lean4:v4.15.0 文本。
打开 lakefile.lean 配置文件，指定 Mathlib4 软件包及处理基于 stdio 的 JSON 输入输出的 repl 仓库。

`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» {
}

打开终端并依次执行以下命令，下载并构建预编译的二进制构件：

`bash
lake update
lake exe cache get
lake build

完成此操作后，将立即接收预编译缓存并在 20 分钟内准备好完整的本地 REPL 运行环境，同时每秒最多可并行验证 50 个证明段落。

根与子智能体角色分工设计

如果尝试通过单个大语言模型提示词调用来证明复杂的定理，随着上下文变长，将会丢失子目标或陷入无限循环。必须应用分层有向无环图架构，将角色分离为负责问题分割的根智能体和执行隔离子战术的子智能体。

采用 JSON 格式作为智能体通信规范并隔离作用域来传递提示词，可将 API 令牌消耗量减少 40% 以上。调用子智能体时使用的 JSON 架构如下：

`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"]
}

为阻止由于智能体幻觉导致的无限循环并运行稳定的分层结构，分步控制顺序如下：

在向子智能体绑定输入提示词时，移除完整对话历史记录，配置提示词仅传输假设、目标状态（Goal State）和以往失败日志这 3 个核心要素。
使用 SHA-256 算法对 Lean REPL 返回的 proofState 字符串进行哈希处理并保存在内存中。若连续 3 次检测到相同的状态哈希重复，则剪枝该探索分支。
为单个战术运算设置 5 秒、子智能体整体探索设置 120 秒的超时时间，超出时发送 SIGKILL 信号立即重整 REPL 进程。

控制 API 令牌成本的上下文管理战略

在持续数小时的证明探索任务中，如果每次请求都将完整的对话历史记录传输到后端 API，令牌使用量将会激增。必须构建基于 LeanExplore 和向量数据库的缓存层，并通过以引理的形式将已验证的中间战术结果摘要反映到内存图中，从而控制输入令牌开销。

在后端服务器中注册 REPL 会话的环境标识符，以移除提示词顶部重复的 import Mathlib 语法。仅此一项即可立即将输入令牌缩减 50% 至 70%。为防止因超出预算限额而导致 API 成本暴增的控制管道实现步骤如下：

在本地环境目录中创建 .leanflow/cache/ 和 .leanflow/workflow-state/ 路径。
编写基于 Python 的 CostMonitor 模块，实时累计追踪调用 API 时消耗的令牌和成本。
当达到临界金额时，运行保存检查点快照文件并安全暂停进程的脚本。

`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)

实现证明代码错误自动修复循环

在 AI 智能体生成代码后手动审查错误是整个研究过程中的致命瓶颈。必须将 Lean REPL 编译器输出的语法错误、类型不匹配、未解决目标等 JSON 解析数据直接连接到智能体的反馈输入中。

替代人工审查并将研究速度提升 2 倍以上的自动修复控制循环的工作方式如下：

接收 Lean REPL 返回的 JSON 响应，通过以下 Python 解析器将错误位置、类型错误消息及剩余目标提取为结构化数据：

`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"].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

在最初的 1~4 次尝试中，将解析出的错误消息数据绑定到子智能体提示词中，对该位置的战术（Tactic）参数进行局部的精确修改。
若在同一位置连续 5 次验证失败，则回溯并废弃该证明策略，自动转换为将引理切分为更小单位的草图重新分割模式。

完全验证后的 Clean 代码可通过 doc-gen4 和 paperproof 转换工具，自动生成可立即插入研究论文中的逻辑图可视化以及 LaTeX 上下文。

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

数学研究的本地 Lean 4 证明自动化环境配置指南

构建本地 Lean 证明验证环境

将长期运行的数学问题验证任务配置时间从 180 分钟缩短至 20 分钟以内的具体构建步骤如下：

将工具链固定在项目根目录的 lean-toolchain 文件中。在文件内部输入 leanprover/lean4:v4.15.0 文本。
打开 lakefile.lean 配置文件，指定 Mathlib4 软件包及处理基于 stdio 的 JSON 输入输出的 repl 仓库。

`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» {
}

打开终端并依次执行以下命令，下载并构建预编译的二进制构件：

`bash
lake update
lake exe cache get
lake build

完成此操作后，将立即接收预编译缓存并在 20 分钟内准备好完整的本地 REPL 运行环境，同时每秒最多可并行验证 50 个证明段落。

根与子智能体角色分工设计

采用 JSON 格式作为智能体通信规范并隔离作用域来传递提示词，可将 API 令牌消耗量减少 40% 以上。调用子智能体时使用的 JSON 架构如下：

为阻止由于智能体幻觉导致的无限循环并运行稳定的分层结构，分步控制顺序如下：

在向子智能体绑定输入提示词时，移除完整对话历史记录，配置提示词仅传输假设、目标状态（Goal State）和以往失败日志这 3 个核心要素。
使用 SHA-256 算法对 Lean REPL 返回的 proofState 字符串进行哈希处理并保存在内存中。若连续 3 次检测到相同的状态哈希重复，则剪枝该探索分支。
为单个战术运算设置 5 秒、子智能体整体探索设置 120 秒的超时时间，超出时发送 SIGKILL 信号立即重整 REPL 进程。

控制 API 令牌成本的上下文管理战略

在本地环境目录中创建 .leanflow/cache/ 和 .leanflow/workflow-state/ 路径。
编写基于 Python 的 CostMonitor 模块，实时累计追踪调用 API 时消耗的令牌和成本。
当达到临界金额时，运行保存检查点快照文件并安全暂停进程的脚本。

`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)

实现证明代码错误自动修复循环

替代人工审查并将研究速度提升 2 倍以上的自动修复控制循环的工作方式如下：

接收 Lean REPL 返回的 JSON 响应，通过以下 Python 解析器将错误位置、类型错误消息及剩余目标提取为结构化数据：

`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"].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

在最初的 1~4 次尝试中，将解析出的错误消息数据绑定到子智能体提示词中，对该位置的战术（Tactic）参数进行局部的精确修改。
若在同一位置连续 5 次验证失败，则回溯并废弃该证明策略，自动转换为将引理切分为更小单位的草图重新分割模式。

完全验证后的 Clean 代码可通过 doc-gen4 和 paperproof 转换工具，自动生成可立即插入研究论文中的逻辑图可视化以及 LaTeX 上下文。

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

数学研究的本地 Lean 4 证明自动化环境配置指南

관련 영상

OpenAI Astra 刚刚让数学能力……提升了 10 倍。

数学研究的本地 Lean 4 证明自动化环境配置指南

构建本地 Lean 证明验证环境

根与子智能体角色分工设计

控制 API 令牌成本的上下文管理战略

实现证明代码错误自动修复循环

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)

数学研究的本地 Lean 4 证明自动化环境配置指南

构建本地 Lean 证明验证环境

根与子智能体角色分工设计

控制 API 令牌成本的上下文管理战略

实现证明代码错误自动修复循环