AI Is Getting Good at Math. Here’s Why. — AI 接连破解数学猜想，作者用「提示序列」模型解释哪些问题对 LLM 可解，以及

• 作者用 Kolmogorov 复杂度类比：问题难度约等于最短提示序列长度 k 的指数加上推导工作量 t，即 2^k + t。这意味着 agent 设计应关注减少所需「洞察步数」，而非单纯堆算力。
• 人类解题是广度优先：浅尝多个方向、早期信号不足就放弃；LLM 是深度优先：单条轨迹推到底，配合并行 agent 和自动验证器剪枝。对工具链的含义是验证器成为关键组件，但它只能判断完成论证，无法评估半成品方向。
• 失败尝试可作负提示回灌：drafter 根据模型先验和已失败路径生成 prompt，solver 并行探索，verifier 检查。这提示 agent 框架应把失败轨迹结构化沉淀，而非丢弃。

原文：AI Is Getting Good at Math. Here’s Why. · 作者 Latent Space