为什么我们要并行运行 9 个大语言模型并使用后量子加密签名输出

在当前的大语言模型（LLM）应用开发中，大多数开发者倾向于使用“链式”或“流水线”架构。即先将提示词发送给模型 A，获取输出后再将其交给模型 B 进行优化。虽然这种顺序执行的多代理（Multi-agent）架构易于实现，但它存在一个严重的心理学缺陷：锚定效应（Anchoring Effect）。一旦第一个模型给出了结论，后续的模型往往会受到该结论的误导，倾向于同意或仅是对其进行修饰，而不是进行独立的批判性思考。

ENLIL 项目的核心理念是：“议事胜于聚合”（Deliberation over Aggregation）。我们不采用流水线模式，而是让多达 9 个模型——包括 DeepSeek-V3、Claude 3.5 Sonnet 以及 Llama 3.1 等顶尖模型——在完全隔离的状态下同时运行。随后，我们将这些独立的见解汇总成一个经过后量子加密签名的、不可篡改的“法令”（Decree）。

为了支撑这种高强度的并行架构，开发者需要极其稳定的基础设施。n1n.ai 提供的 API 聚合服务允许开发者通过单一接口访问多种高性能模型，这对于需要同时等待 9 个模型返回结果的场景至关重要。

顺序 AI 链的局限性

当你向单个 LLM 提出复杂问题时，你实际上是在依赖该模型特定的训练分布。即使是最先进的模型也有“盲点”。例如，Claude 3.5 Sonnet 在处理安全协议时非常严谨，但有时过于保守；而 DeepSeek-V3 在技术逻辑和代码实现上表现惊人，但在沟通风格的细腻程度上可能略逊于 OpenAI 的模型。

如果你顺序运行它们，第二个模型会“读到”第一个模型的推理过程。如果第一个模型犯了自信的错误，第二个模型往往难以推翻其前提。这就是为什么在法律审查、安全审计或架构验证等高风险决策中，我们需要独立的“议事机制”。

九神议会：架构概览

ENLIL 构建了一个“议会”，每个模型被分配一个特定的领域。通过使用 n1n.ai，我们可以根据最新的评测数据动态更换议会成员，而无需修改核心集成代码。

实现异步并行执行

技术上的主要挑战是延迟。如果一个接一个地运行 9 个模型，用户可能需要等待数分钟。通过 Python 的 asyncio 库配合 n1n.ai 的高速网关，我们可以将总等待时间缩短至最慢的那个模型的响应时间。

import asyncio
from typing import List

# 核心议事循环
async def convene_council(query: str, models: List[str]) -> List[dict]:
    # 使用 n1n.ai 高效处理多模型路由
    tasks = [call_llm_api(query, model) for model in models]
    # 真正的并行执行，模型间互不干扰
    responses = await asyncio.gather(*tasks)
    return responses

async def call_llm_api(query: str, model_name: str):
    # 隔离执行：模型无法看到其他模型的提示或输出
    payload = {
        "model": model_name,
        "messages": [{"role": "user", "content": query}],
        "temperature": 0.7
    }
    return await network_request(payload)

同行评审：第二轮迭代

在“评审模式”下，ENLIL 增加了第二个维度。在初始的并行议事完成后，每个模型会被展示其他成员的（匿名）回答，并被要求提供 3 到 5 句的批判性意见。这正是奇迹发生的地方：我们经常看到 DeepSeek-V3 敏锐地捕捉到了 Llama 输出中的逻辑漏洞，而如果它只是独立生成答案，可能不会注意到这一点。

我们的基准测试显示，对于安全相关的查询，“评审”环节比单模型提示的准确率提升了约 22%。

基于 ML-DSA-87 的后量子安全

为什么要对输出进行签名？在 AI 生成内容泛滥的时代，证明 AI 输出的真实性和未经篡改对于合规性至关重要。如果一家公司利用 AI 的分析结果来支撑一项安全决策，他们必须能够在 5 年后证明该记录没有被恶意篡改。

我们选用了 ML-DSA-87（基于模块格的数字签名算法），这是 NIST FIPS 204 标准的一部分。与 RSA 或 ECDSA 不同，ML-DSA 能够抵抗量子计算机利用 Shor 算法发起的攻击。

from liboqs import Signature
import base64

class DecreeSigner:
    def __init__(self):
        # ML-DSA-87 提供 Level 5 安全等级（等效于 AES-256）
        self.signer = Signature("ML-DSA-87")
        self.private_key, self.public_key = self.signer.generate_keypair()

    def sign_decree(self, content: str) -> str:
        # 确保确定性序列化，防止因格式变动导致签名失效
        payload = content.strip().encode()
        signature = self.signer.sign(payload, self.private_key)
        return base64.b64encode(signature).decode()

虽然 ML-DSA-87 的签名体量较大（约 4.6 KB），但它为数据完整性提供了面向未来的数学保证。

合规性与欧盟 AI 法案

ENLIL 的架构不仅是为了追求技术上的“酷”，更是为了应对未来的监管挑战。欧盟 AI 法案（EU AI Act） 强调了高风险系统中的透明度和人类监督。通过显式记录每个模型的异议（Dissent），而不是将其隐藏在共识之后，我们为“人类干预者”提供了做出明智决策所需的原始证据。

开发者专业建议： 在构建多模型系统时，务必在汇总之前记录每个模型的原始输出。这会形成一个极具价值的审计追踪（Audit Trail），在调试最终总结中的“幻觉”问题时非常有用。

总结

并行运行 9 个 LLM 不再是一种奢侈，而是对于追求高可靠性和加密证明的应用的必然选择。通过隔离议事阶段并利用后量子签名保护结果，我们正在将 AI 从“玩具”转变为“可验证的基础设施”。

如果您想构建自己的高性能模型议会，并享受最稳定的 API 服务，请访问 n1n.ai 获取免费 API 密钥。