# Harnessing the Wisdom of LLM Crowds through Complementarity-Driven Iterative Collaboration
- 来源：arxiv · https://arxiv.org/abs/2607.29087
- 作者：Yanbin Fang, Xuan Wei, Wei Chen

> 多LLM通过互补性驱动的迭代协作，低成本达到GPT-5.2性能。

## 概要

本文提出WILC框架，将多个LLM以中继式互补协作方式组合，通过迭代反思和精炼，以及基于互补性的模型选择（PCF和PCG双重门控），在四个基准上超越单模型自精炼、集成和查询路由等方法。在标准化定价下，WILC以约7倍低的估计每查询成本达到GPT-5.2的平均性能，并支持自托管部署以保障数据主权。

## 对我的影响

1. **用进导购agent**：该框架可直接用于我们的导购产品，将多个不同专长的LLM（如一个擅长产品知识，一个擅长推理用户意图）以互补方式协作，提升复杂导购场景的准确性，同时降低API成本。
2. **改变技术选型判断**：以往我们倾向于使用单一最强模型，WILC表明多个专业模型的协作可以在成本可控下接近顶级模型性能，尤其在数据主权要求高的企业场景，自托管优势明显。
3. **下一步行动**：阅读全文，重点理解PCF和PCG的实现细节，并考虑在导购对话和知识管理平台上进行小规模实验，测试不同模型组合的实际效果。

---
*导出自 前沿论文情报台*