六西格玛智能体：经共识驱动的分解执行在LLM系统中实现企业级可靠性

大语言模型展现出卓越能力，但本质上仍是概率性的，为企业部署带来关键可靠性挑战。我们提出六西格玛智能体（Six Sigma Agent），一个通过三个协同组件实现企业级可靠性的新架构：(1)把任务分解为原子动作的依赖树；(2)微智能体采样，每个任务在多样LLM上并行执行n次以生成独立输出；(3)带动态扩展的共识投票，对输出聚类并从获得最多票的胜出簇中选取答案。我们证明，以错误率p采样n个独立输出可实现系统错误O(p^{ceil(n/2)})，带来指数级可靠性增益。即使使用单动作错误率5%的更廉价模型，5个智能体的共识投票也将错误降至0.11%；动态扩展到13个智能体达到3.4 DPMO（每百万机会缺陷数），即六西格玛标准。跨三个企业用例的评估显示，相较单智能体执行可靠性提升14,700倍，同时成本降低80%。我们的工作确立：AI系统的可靠性来自有原则的冗余与共识，而非单纯的模型扩展。