WILC：以互补驱动的迭代协作整合LLM群体能力

大语言模型（LLMs）在企业环境中日益普及，但单个模型仍受限于特定模型的能力限制。这些差异性边界构成了部署挑战，但也为战略协调多个LLMs提供了机会：通过协调，可以超越单个模型的能力。现有的方法在模型组合方面预先固定，忽略了复杂问题解决中互补动态和状态依赖的角色。借鉴群体智慧范式，我们重新构想集体LLM智能为接力式互补：每个后续模型根据其前一个模型的输出识别特定瓶颈，并选择性地解决该瓶颈。为了实现这一概念，我们提出了WILC（Wisdom Integration of LLM Crowds），基于两个设计原则。首先，迭代反思与改进建立一个状态保持的工作流程，通过模型诊断和改进前一个输出。其次，互补驱动的模型选择通过双重门机制来控制过渡：前瞻性互补匹配（PCF）识别当前瓶颈最合适的工作者，后继互补增益（PCG）评估选定过渡是否改善了不断演变的解决方案。在四个多样性的基准测试中，WILC超越现有方法，包括单模型自我优化、组合方法和查询路由方法。在标准化价格假设下，WILC与GPT-5.2的平均基准性能相当，大约在每查询成本上降低7倍，同时通过自主部署实现数据主权。这一研究扩展了群体智慧理论，从静态聚合到顺序AI互补，并为多AI协调提供可转移的设计原则。