Claude Fable 5.2组织1000个AI Agent用28.7小时完成费马大定理形式化

2026年11月9日，Anthropic 在官方工程博客公布了一项多智能体实验：1000个 Claude Fable 5.2 Agent 协作，用28.7小时完成了费马大定理的计算机形式化，最终证明通过了 Lean 官方内核检查。两个月前的第一次形式化实验由数十个 Agent 完成，用了11天。

这不是“AI 在30小时内证明了费马大定理”。 该定理早在20世纪90年代就由 Andrew Wiles 与 Richard Taylor 证明。这次实验做的事情，是把已有的证明路线翻译成计算机可以逐步检查的形式化证明。因此，本文真正要回答的问题是：1000个 AI Agent 怎样在不到30小时里，协作完成这样一项复杂工程？

核心价值：读完本文，你会了解这次费马大定理形式化实验的关键数据、1000个 Agent 的组织方式和验证机制，以及它对企业 Agent 系统的参考价值和边界。

费马大定理形式化实验核心信息速览

先用一张表交代这次 Claude Fable 5.2 实验的基本事实。注意几个容易混淆的口径：模型是早期版本，实验有预设输入，官方也明确把它定位为 toy experiment（实验性质的演示）。

费马大定理形式化：实验前提要先讲清

研究人员并不是只给出一句“请证明费马大定理”就放手不管。Agent 拿到了60个命题（包括最终定理和59个中间里程碑）、路线梗概、定义，以及上一次实验已经证明的47条引理，lead 与 helper 的角色也是研究人员预先设定的。

所以这次实验检验的是另一种能力：在给定数学基础和工具的前提下，一个大规模 Agent 团队能否自己组织起来，把已知路线完整落成机器可检查的证明。这比“AI 会不会做数学”更接近工程问题。

为什么费马大定理形式化如此困难

费马大定理的表述很简单：当整数 n 大于2时，不存在正整数 a、b、c 满足 a^n + b^n = c^n。它由 Pierre de Fermat 在17世纪提出，悬而未决350多年。Wiles 在1993年宣布证明，1994年与 Taylor 修正了关键漏洞，1995年正式发表。原始证明约129页，大量依赖现代数论和代数几何的已有成果。

人类数学家写证明时，可以说“由前述结论显然可得”，读者会自动补上中间步骤。计算机没有这种默契，它必须知道每一步用了哪个定义、哪条定理、哪条推理规则。这就是形式化困难的根源：一条人类眼中的“显然”，落到代码里可能是成百上千行。

Lean、Mathlib 与数学形式化

理解这次实验，需要先分清三个概念：

• Lean：交互式定理证明器，负责检查一份证明是否严格符合形式逻辑规则。
• Mathlib：Lean 的数学库，收录了大量已经形式化的定义和定理，相当于可以直接引用的“标准库”。
• 数学形式化：把人类可读的数学证明，转换成计算机能完整验证的逻辑结构。

最关键的一点是：AI 负责构造证明，Lean 内核负责检查证明。模型说“我证明了”，和 Lean 实际接受这份证明，是两件完全不同的事。这次实验能被认真对待，正是因为最终结果不依赖模型的自我判断，而是通过了独立的机器检查。

1000个 AI Agent 如何协作：一套由 AI 运行的项目管理系统

这是 Claude Fable 5.2 实验里最值得研究的部分。1000个 Agent 并不是各自埋头解题，而是形成了一套带任务管理、资源调度和动态调整能力的协作系统。

Claude Fable 5.2 团队的组织架构

团队采用简单的层级结构：1个 Lead Agent 负责总体规划、任务拆解和进度管理，999个 Helper Agents 负责具体证明。每个 Agent 都有自己的轻量级虚拟机沙箱，可以使用 Shell、文件编辑器、Lean 工具链、Mathlib，拥有自己的 Git 分支，并能向主分支提交 Merge Request。

所有 Agent 都没有直接的互联网访问权限，与 Claude API、Git 和数据库的通信都要经过外部 Gateway。独立沙箱加独立分支，让1000个 Agent 同时改代码时不会互相覆盖文件。

共享 PostgreSQL：AI Agent 的协作中枢

1000个 Agent 如果靠两两发消息协作，通信量会迅速失控。Lead Agent 的做法是在实验开始后10分钟内建立五张共享数据库表，把沟通变成“读写同一块看板”。

这套机制的价值在于：Agent 不需要逐一联系其他999个 Agent，只要查数据库就能知道有哪些任务、哪些已经完成、哪些存在依赖。成果则通过 Git 合并进主分支。官方披露的数据显示，整个过程约有36,612次数据库写入和311,734次读取，其中约20,600次写入属于 Notes，约14,800次属于 Subtasks（统计不含大部分脚本调用）。读远多于写，也说明 Agent 大部分时间都在“查看全局状态”。

动态任务分配：从固定派工到主动领活

这次实验的调度过程并不是一成不变的。下面这张时间线可以看出组织方式是怎样逐步演化的：

两个细节值得注意。第一，从“Lead 派工”到“Agent 自主领取”的转变，相当于团队从集中调度切换到任务池模式，减少了 Lead 成为瓶颈的风险。第二，实验在第18小时左右从保存状态恢复过，所以28.7小时并不代表所有 Agent 从头到尾从未中断。

另外，被暂时搁置的47个命题，与预设输入里的47条引理是两回事，读官方材料时不要混在一起。

Langlands–Tunnell：750个 Agent 集中攻克费马大定理形式化最难关卡

临近终点时，团队遇到了最难的一块：Langlands–Tunnell 相关命题，这是 Wiles 证明路线中的重要数学结果。早期负责这部分的 Agent 估计，它可能需要70万到100万行 Lean 代码，并认为在剩余时间内完成的概率低于1%。

Lead 随后把约750个 Helper 集中到这项任务上。Agent 自行搭建了一棵多层任务树：

• 划分为10个主要区域；
• 共建立2,418个子任务；
• 任务树最深达到10层；
• 数百个 Agent 同时处理不同子任务。

结果是 Langlands–Tunnell 在第28.4小时完成，0.3小时后费马大定理完成。这个案例说明，大规模并行的价值不只是“人多算得快”。更关键的是把一个无法直接下手的大问题，拆成大量可以独立推进、单独验证、最后合并的小任务。如果拆分做不好，750个 Agent 只会互相等待或重复劳动。

费马大定理形式化为何成功：Lean 验证与安全机制

从工程可靠性看，这次实验靠的是三层保障。

第一层是结果验证。 每个子命题都必须通过 Lean 检查才能提交到主分支，Landed 表只记录通过检查的工作。最终定理由官方内核检查器验证，Lead Agent 记录的原话是：“Fermat’s Last Theorem is on main， kernel-checked by the official checker.”

第二层是协作隔离。 独立沙箱和独立 Git 分支，让 Agent 之间的文件冲突和相互干扰降到很低。

第三层是安全边界。 实验运行的是尚未完成正式发布前对齐评估的早期模型，因此 Anthropic 设置了多层限制：

• 禁止互联网访问，禁止直接访问其他 Agent 的沙箱；
• 使用非特权账户执行命令；
• 通过外部 Gateway 管理 API、Git 和数据库通信；
• 实时分类器检查 Shell 命令和文件修改，离线监控器复核操作记录。

实验共产生超过100万次工具调用，没有任何一次达到必须拦截的程度。Anthropic 还表示，实验后又增加了并行的思维链监控。这里的结论是：一个可靠的 Agent 系统，不能只看模型能不能完成任务，还必须有独立验证、权限边界和可追踪的执行环境。

从11天到28.7小时：Claude Fable 5.2 两次实验对比

两次费马大定理形式化实验的口径不同，需要分开看：

需要强调，60亿 Token、1300万行代码、约30,300个定理这些数字都属于第一次实验。官方没有公布第二次实验的绝对 Token 数、总费用和精确代码行数。

第一次实验初期也走过弯路：Agent 难以掌握全局状态，不知道别人做完了什么，出现了重复劳动。后来引入的 Prove2Me 平台用 DAG 维护定理依赖，并提供任务状态、定理检索和编译加速。第二次实验的变化在于不再使用这个专用平台，而是让 Agent 用通用的数据库和 Git 自己搭出协作机制，五张表承担了类似的职能。

Anthropic 还在相同的1000 Agent 设置下做了对照：Opus 5.5 在18小时完成约26%，之后到30小时几乎没有新进展；Fable 5.2 在28.7小时完成最终定理。两组都在18小时左右从保存状态恢复。不过每个模型只跑了一次，不能据此推断两者在所有复杂任务上的普遍差距。

1000个 AI Agent 实验对企业的影响分析

对开发者：多智能体系统的四项关键能力

把数学背景剥掉，这次实验提炼出的能力可以对应到常见的企业场景：

对开发者来说，最直接的启发是：不必一上来就搭复杂的专用平台，一个设计好的共享数据库加版本控制，就能撑起相当规模的协作。下面是调用模型的极简示例：

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # API易 统一接口
)

response = client.chat.completions.create(
    model="claude-fable-5-2",  # 模型名以平台模型列表为准
    messages=[{"role": "user", "content": "把这个任务拆成可独立验证的子任务"}]
)
print(response.choices[0].message.content)

import sqlite3
import openai

# 本地用 SQLite 模拟实验中的 Subtasks / Landed 表(实验实际使用 PostgreSQL)
db = sqlite3.connect("board.db")
db.execute("CREATE TABLE IF NOT EXISTS subtasks (id INTEGER PRIMARY KEY, goal TEXT, status TEXT, owner TEXT)")
db.execute("CREATE TABLE IF NOT EXISTS landed (task_id INTEGER, result TEXT)")

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

def lead_plan(goal: str):
    """Lead:拆解任务并写入任务池"""
    resp = client.chat.completions.create(
        model="claude-fable-5-2",
        messages=[{"role": "user", "content": f"将目标拆为3-5个子任务,每行一个:{goal}"}]
    )
    for line in resp.choices[0].message.content.splitlines():
        if line.strip():
            db.execute("INSERT INTO subtasks (goal, status) VALUES (?, 'open')", (line.strip(),))
    db.commit()

def verify(result: str) -> bool:
    """独立验证器:真实场景中应替换为测试、校验脚本或 Lean 检查"""
    return len(result) > 0

def helper_claim(name: str):
    """Helper:主动认领任务,验证通过才写入 landed"""
    row = db.execute("SELECT id, goal FROM subtasks WHERE status='open' LIMIT 1").fetchone()
    if not row:
        return
    task_id, goal = row
    db.execute("UPDATE subtasks SET status='doing', owner=? WHERE id=?", (name, task_id))
    db.commit()
    resp = client.chat.completions.create(
        model="claude-fable-5-2",
        messages=[{"role": "user", "content": goal}]
    )
    result = resp.choices[0].message.content
    if verify(result):
        db.execute("INSERT INTO landed VALUES (?, ?)", (task_id, result))
        db.execute("UPDATE subtasks SET status='done' WHERE id=?", (task_id,))
    else:
        db.execute("UPDATE subtasks SET status='open', owner=NULL WHERE id=?", (task_id,))
    db.commit()

lead_plan("为一个开源库补全单元测试")
for i in range(3):
    helper_claim(f"helper-{i}")

🚀 快速上手建议：想复现“Lead 拆解 + Helper 认领 + 独立验证”的小规模原型，可以先通过 API易 apiyi.com 获取免费测试额度。平台提供 OpenAI 兼容接口，一个 Key 即可切换 Claude、GPT、Gemini 等模型，方便比较不同模型担任 Lead 时的拆解质量。

对行业：边界比数字更重要

需要冷静看待的一点是：数学形式化有 Lean 这样严格、客观的验证器，而大多数企业任务没有同样明确的正确性标准。代码有测试可以兜底，但市场分析、跨部门流程的“正确”往往难以机器判定。因此，28.7小时和这次的成功率不能直接套用到企业 Agent 系统上。

Anthropic 自己也列出了局限：Agent 容易过早判断任务不可完成，比如早期被搁置的47个命题，后来大部分仍被完成；人类的方向性指导在困难节点依然有价值；Prove2Me 这类领域专用工具也可能继续提升编译、检索和协作效率。实验不能说明 Agent 越多越好，也不能说明人类专家和专用 Harness 已经不再需要。

💡 工程建议：在企业里试点多 Agent 方案时，建议先选择有明确验证标准的任务（如测试驱动的代码改造），再逐步扩大规模。借助 API易 apiyi.com 的按量计费，可以先用小规模 Agent 数量评估拆解和验证环节，再决定是否加大投入。

常见问题 FAQ

1000个 AI Agent 完成费马大定理形式化 Key Takeaways

• 实验本质：把已有证明形式化为 Lean 可检查的代码，不是首次证明费马大定理。
• 关键数字：1000个早期 Fable 5.2 Agent，28.7小时完成，并通过 Lean 官方内核检查。
• 组织核心：1个 Lead + 999个 Helper，靠五张共享数据库表和 Git 协作。
• 攻坚方式：约750个 Agent 将 Langlands–Tunnell 拆成2,418个子任务、最深10层。
• 可靠性来源：Lean 独立验证、沙箱隔离，超过100万次工具调用无需拦截。
• 适用边界：企业任务往往缺少 Lean 这样的验证器，效率数字不能直接外推。
• 上手方式：可通过 API易 apiyi.com 的统一接口，小规模复现 Lead/Helper 协作原型。

总结

Claude Fable 5.2 这次千 Agent 实验的核心要点：

1. 系统大于单点：模型能力、任务分解、共享状态、并行执行和机器验证共同促成了28.7小时的结果。
2. 验证是信任基础：Lean 内核检查让“模型声称完成”和“真正完成”被严格区分开。
3. 边界要说清：预设输入、早期模型、单次对照和 toy experiment 的定位，都决定了这项结果不能被过度解读。

这项实验留给行业一个值得思考的问题：未来 AI 系统的竞争，是否正在从单一模型能力，转向组织和调度大量智能体完成复杂任务的系统能力？对开发者来说，现在就可以从一个带独立验证的小型多 Agent 原型开始尝试。推荐通过 API易 apiyi.com 快速验证效果，平台提供免费测试额度和多模型统一接口。

📚 参考资料

1. Anthropic 工程博客：Safely scaling multi-agent teams with Claude Fable 5.2
2. 链接：claude.dev/blog/safely-scaling-multi-agent-teams-with-fable-5-2

3. 说明：第二次实验的组织架构、数据库协作、安全机制与 Opus 对照

4. Anthropic 研究文章：Formalizing Fermat’s Last Theorem

5. 链接：anthropic.com/research/formalizing-fermats-last-theorem

6. 说明：第一次形式化实验的数据与 Prove2Me 协作方式

7. Anthropic 官方 Lean 证明仓库：第一版形式化证明

8. 链接：github.com/anthropics/fermats-last-theorem

9. 说明：公开的9月版本证明代码，README 数据不等同于11月实验统计

10. Lean 官方案例：Formalizing Fermat’s Last Theorem

11. 链接：lean-lang.org/use-cases/flt

12. 说明：了解 Lean 与形式化数学背景

13. Fable 5.2 模型文档：模型规格与 API 迁移

14. 链接：platform.claude.com/docs/en/models/fable-5-2/overview
15. 说明：上下文窗口、输出上限与定价信息

作者：APIYI 技术团队
技术交流：欢迎在 API易 网站首页联系我们，更多资料可访问 docs.apiyi.com 文档中心

延伸阅读

• Claude Fable 5.2 发布，high or max？ 上数据，看看质量和成本:公开评测显示，Claude Fable 5.2 把推理档位从 high 提到 max 可能提高得分，也会抬高每任务成本。档位应按任务的质量门槛和预算一起决定。
• Claude Fable 5.2 对比 Claude Opus 5.5：怎么选:Claude Fable 5.2 对比 Claude Opus 5.5：标准价贵一倍，不是每一项都赢。本文从规格、价格、默认努力档和发布文成绩表四个角度，给出一张按任务选模型的表。
• Claude Fable 5.2 有多强？编码、长任务的 4 条边界:用 Anthropic 发布文里的官方成绩和官方限制，讲清 Claude Fable 5.2 强在哪、强到哪里该停，以及何时不该从 Opus 5.5 换过去
• 10 周造出生产级 Git 后端：OpenAI 如何让 Codex Agent 团队完成 Pando 的 5 个工程关键:解读 OpenAI Pando：1 名工程师设计核心、多个 Codex Agent 团队实现、少量工程师部署，10 周投入生产。重点拆解测试体系、渐进迁移和可借鉴的方法。