三方智能体框架：构建可信的多模型协作工作流

三方智能体框架（tri-party-framework）是一个开源多模型协作工作流编排框架，旨在解决多智能体协作中的输出一致性与可信度问题。该框架通过Codex、Claude、Gemini三个主流模型的交叉审计机制，结合合并门控与源追踪能力，提升结果可靠性，适用于代码生成、内容审核等对准确性要求高的场景。

随着大语言模型发展，单一模型难以满足复杂任务需求，多模型协作成为趋势。但不同模型（如Codex、Claude、Gemini）输出可能存在差异，缺乏有效验证机制导致结果质量难以保证，这是多智能体协作面临的核心信任困境，也是tri-party-framework要解决的问题。

框架核心创新在于交叉审计与合并门控机制：

1. 交叉审计：同一任务分发至多个模型，收集输出后用结构化算法评估一致性，达到阈值才标记可信；
2. 合并门控：定义输出合并条件，可灵活配置（如全一致或多数投票），控制工作流推进。

源追踪：记录每个步骤的参与模型、输入参数、输出结果及一致性评分，支持回溯生成路径、识别模型表现、分析分歧模式； 技术实现：采用配置驱动方式，通过YAML/JSON文件定义模型参数、工作流阶段、审计策略等，无需修改代码即可调整协作策略。

框架适用于以下场景：

• 代码生成与审查：结合Codex代码能力、Claude分析能力、Gemini多语言支持，构建多模型审查流水线；
• 内容审核：多模型共识降低误判率；
• 复杂推理任务：交叉审计捕获单个模型遗漏的错误。

框架存在局限性：

• 成本增加：多模型调用导致API费用和延迟上升，更适合高准确性需求场景；
• 模型多样性依赖：若模型训练数据/方法相似，可能同犯错误，降低交叉审计价值。

tri-party-framework为多智能体系统可信度提升提供工程化思路，借鉴分布式共识思想解决模型"幻觉"问题。未来方向包括：更智能的门控策略、基于历史表现的动态模型选择、与检索增强生成技术深度融合。