Analytica：面向稳健可扩展LLM驱动分析的软命题推理

大语言模型（LLM）智能体日益被赋予复杂的现实世界分析任务（例如金融预测、科学发现），但其推理存在随机不稳定性，且缺乏可验证的组合式结构。为解决这一问题，我们提出Analytica，一种基于软命题推理（Soft Propositional Reasoning, SPR）原则构建的新型智能体架构。SPR将复杂分析重新表述为估计不同结果命题软真值的结构化过程，使我们能够从偏差和方差两个方面对估计误差进行形式化建模并加以最小化。Analytica通过一个并行的分治框架将这一原则付诸实践，系统地降低这两类误差来源。为降低偏差，问题首先被分解为子命题树，并采用配备工具的LLM接地（grounder）智能体，其中包括一种用于数据驱动分析的新型Jupyter Notebook智能体，帮助验证事实并为其打分。为降低方差，Analytica使用稳健线性模型递归地综合这些经过接地的叶子节点，以更优的效率与可扩展性平均掉随机噪声，并支持交互式的"what-if"情景分析。我们在经济、金融和政治预测任务上的理论与实证结果表明，Analytica较多种基础模型平均提升15.84%的准确率；在使用Deep Research接地器时达到71.06%的准确率和最低6.02%的方差。我们的Jupyter Notebook接地器表现出很强的性价比，以少90.35%的成本和少52.85%的时间取得相近的70.11%准确率。随着分析深度增加，Analytica还表现出高度的抗噪性与稳定的性能增长，具有近线性的时间复杂度，并能良好适配开源权重LLM与科学领域。