Lean Refactor: Multi-Objective Controllable Proof Optimization via Agentic Strategy Search
Lean Refactor ist ein retrieval-augmentiertes, agentisches Framework, das Lean-Beweise für mehrere Ziele – einschließlich Token-Komprimierung, Kompilierungsgeschwindigkeit und Versionskompatibilität – optimiert, indem es kuratierte Refactoring-Strategien dynamisch auswählt, ohne ein erneutes Training des Modells zu erfordern.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das Problem: Der „überkonstruierte" Beweis
Stellen Sie sich einen brillanten, aber übermäßig enthusiastischen Architekten (die KI) vor, der gerade ein Haus (einen mathematischen Beweis) gebaut hat. Das Haus ist statisch sicher – es wird nicht einstürzen und besteht alle Sicherheitsprüfungen. Der Architekt hat jedoch 500 Ziegelsteine verwendet, um eine Wand zu bauen, für die nur 50 nötig waren. Er hat einen Vorschlaghammer benutzt, um eine Nuss zu knacken.
In der Welt von Lean (einer Sprache zum Schreiben mathematischer Beweise, die von Computern verifiziert werden können), erzeugen KI-Modelle oft Beweise, die korrekt, aber unglaublich lang, unübersichtlich und langsam zu kompilieren sind.
- Zu lang: Der Beweis ist für Menschen schwer lesbar.
- Zu langsam: Da der Beweis mit unnötigen Schritten aufgebläht ist, dauert es lange, bis der Computer prüft, ob er gültig ist.
- Fragil: Die Lean-Sprache ändert sich häufig (wie Software-Updates). Ein Beweis, der für „Version 1.0" geschrieben wurde, kann beim Update des Computers auf „Version 2.0" komplett brechen, selbst wenn die Mathematik noch stimmt.
Bestehende Werkzeuge versuchten dies zu beheben, indem sie entweder die KI neu trainierten (was teuer und langsam ist) oder sie einfach aufforderten, „kürzer zu sein" (was den Beweis oft langsamer ausführt).
Die Lösung: Das „intelligente Bibliothekar"-System
Die Autoren schufen Lean Refactor. Anstatt die KI neu zu trainieren, bauten sie ein „Plug-and-Play"-System, das wie ein superkluger Bibliothekar für die KI fungiert.
So funktioniert es, mithilfe einer Metapher:
1. Die Strategiebank (Die Bibliothek)
Stellen Sie sich eine riesige Bibliothek vor, die mit „Refactoring-Karten" gefüllt ist. Jede Karte beschreibt einen spezifischen Trick, um einen Beweis zu verkürzen.
- Der Trick: „Statt jede Zahl einzeln aufzulisten, verwenden Sie diese eine magische Formel."
- Die Metadaten: Entscheidend ist, dass jede Karte ein Etikett trägt. Sie besagt:
- Wie viel Zeit spart dies? (z. B. „Spart 30 % Kompilierungszeit").
- Auf welche Version der Sprache funktioniert dies? (z. B. „Funktioniert auf Lean v4.16 und v4.22").
- Wie viel kürzer macht es den Beweis?
Das Papier behauptet, sie hätten die größte Bibliothek dieser Karten aller Zeiten gebaut, die über 9.000 einzigartige Strategien enthält, die aus Hunderttausenden von Beweisbeispielen extrahiert wurden.
2. Der Agent (Der Architekt + Der Bibliothekar)
Wenn die KI einen Beweis reparieren muss, rät sie nicht. Sie folgt einer Schleife:
- Der Planer: Die KI betrachtet den unübersichtlichen Beweis und sagt: „Dieser Abschnitt sieht so aus, als ob er einen ‚Magische-Formel'-Trick benötigte."
- Der Bibliothekar (Abruf): Das System geht in die Bibliothek und holt die spezifischen Karten heraus, die zu diesem Abschnitt passen.
- Wenn Sie den kürzesten Beweis wollen: Es holt Karten heraus, die die größte Größenreduktion versprechen.
- Wenn Sie die schnellste Kompilierung wollen: Es holt Karten heraus, die den größten Geschwindigkeitsschub versprechen.
- Wenn Sie eine alte Version von Lean verwenden: Es filtert alle Karten heraus, die auf Ihrer Version nicht funktionieren.
- Der Refaktorierer: Die KI wendet den Trick von der Karte an, um den Beweis umzuschreiben.
- Der Debugger: Der Computer prüft den neuen Beweis. Wenn er abbricht, versucht die KI, den Fehler lokal zu beheben, ohne die gesamte Verbesserung rückgängig zu machen.
Warum dies besonders ist (Die Behauptungen des Papiers)
1. Es balanciert konkurrierende Ziele aus (Die „Multi-Objective"-Magie)
Normalerweise müssen Sie wählen: „Möchte ich, dass der Beweis kurz ist, oder dass er schnell kompiliert wird?"
- Alter Weg: Sie wählen eines, und das andere leidet.
- Lean Refactor: Sie können dem System sagen: „Ich möchte ihn kurz, aber auch schnell." Das System betrachtet die Bibliothekskarten, sieht, welche beides bieten, und wählt die beste Balance.
- Ergebnis: Bei Wettbewerbsaufgaben in Mathematik verkürzten sie Beweise um über 70 % und reduzierten die Kompilierungszeit um über 60 %.
2. Es übersteht Software-Updates (Die „Versionsrobustheit")
Da die Bibliothekskarten mit den spezifischen Softwareversionen etikettiert sind, auf denen sie funktionieren, kann das System sofort „veraltete" Tricks herausfiltern.
- Ergebnis: Wenn Sie einen Beweis für „Lean v4.16" anfordern, verwendet das System nur Karten, die für v4.16 funktionieren. Dies verhindert, dass die KI Werkzeuge halluziniert (erfindet), die in dieser Version nicht existieren.
3. Es funktioniert mit jeder KI (Die „Modellagnostische" Eigenschaft)
Sie müssen keine neue KI dafür trainieren. Das System funktioniert mit jedem „eingefrorenen" (vorab trainierten) KI-Modell, egal ob es von Google (Gemini), Anthropic (Claude) oder OpenAI (GPT) stammt. Die „Intelligenz" kommt aus der Bibliothek der Strategien, nicht aus dem Gehirn der KI.
- Ergebnis: Sie testeten es auf verschiedenen KI-Modellen, und es verbesserte die Leistung aller von ihnen, sogar besser als ein spezialisierter Codierungs-Agent namens „Claude Code".
Das Fazit
Lean Refactor ist wie einem Bauarbeiter eine Reihe von Bauplänen und eine Werkzeugkiste mit vorgetesteten, etikettierten Abkürzungen zu geben. Anstatt zu raten, wie man ein Haus baut, schauen sie nach der besten Art, eine bestimmte Wand zu bauen, basierend auf den Werkzeugen, die sie haben, und der Version des Bauvorschriften, die sie verwenden.
Das Papier behauptet, dieser Ansatz:
- Verkürzt Beweise um 70 %+ bei Mathematikwettbewerben.
- Macht sie 60 % schneller zu kompilieren.
- Hält sie funktionsfähig, selbst wenn sich die Programmiersprache aktualisiert.
- Tut all dies, ohne die KI-Modelle neu trainieren zu müssen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.