Nemotron DAG-of-Thoughts：面向推理竞赛的混合求解Pipeline

WeebOrWeed团队提出基于LangGraph的DAG-of-Thoughts架构，结合确定性求解器与LLM回退策略，高效解决NVIDIA推理竞赛中的六类谜题（位运算推导、密码解密、方程变换、重力物理计算、数字进制转换、单位换算），平衡LLM推理能力与计算精度，提升效率与准确性。

NVIDIA Nemotron模型推理竞赛是Kaggle平台的挑战性AI赛事，需解决六类复杂推理谜题，特点是多步推理且依赖前序结果。传统端到端LLM易累积错误，数值计算能力弱，核心挑战是设计混合系统兼顾LLM推理与计算精度。

采用DAG分解问题为子节点（并行执行独立子任务），执行流程分三阶段：分类（关键词匹配识别谜题类型，生成DAG与工具分配）、分解（首次透传分类器DAG，重试时LLM生成新DAG）、求解（并行执行就绪节点，失败则重试）。

五类谜题用确定性求解器：重力计算（g=2d/t²）、单位换算（正则提取因子乘法）、进制转换（罗马数字查表）、密码解密（字符映射+排列搜索）、位运算（比特级布尔函数搜索）；方程变换先试确定性模式，失败则LLM多轮投票（7次取多数）。

用ThreadPoolExecutor实现节点级并行（每轮1-3线程）；重试机制：节点失败时传递上下文给LLM生成新分解策略（重新表述子问题、合并步骤等），最多重试3次；解析失败则自动回退单节点。

本地用Ollama部署Nemotron 3 Nano（4B/30B版本），无需API密钥；多数谜题不调用LLM（即时、免费、准确）；工程价值：确定性优先、分层回退、并行化、失败驱动学习。

该Pipeline证明混合架构（LLM+确定性求解器）可构建高效可靠系统。项目链接：https://github.com/WeebOrWeed/Nemotron；竞赛链接：https://www.kaggle.com/competitions/nvidia-nemotron-model-reasoning-challenge；技术栈：Python · LangGraph · Ollama · Nemotron 3 Nano · ThreadPoolExecutor。