LLM 委员会是一个创新的多模型协作系统，旨在通过让多个大型语言模型共同参与讨论来提升回答质量。该系统将您的查询同时发送给多个 LLM，让它们互相评审并排序彼此的工作，最终由主席模型生成综合性的最终回答。

1. 多模型协同：支持数十个大模型同时参与讨论
2. 交叉验证机制：每个模型对其他模型进行匿名评审，显著提高回答准确性和质量，大幅减少大模型幻觉
3. 透明讨论过程：可查看每轮讨论的会议结论，节省时间
4. 冗余设计：灵活配置参会模型数量和冗余机制，确保结果可靠性
5. 开放兼容：支持多种 API 格式和服务提供商

编辑 config/config.yaml 文件来自定义委员会配置：

llms:
  - model: "Qwen3-Next-80B-A3B-Instruct"
    base_url: "http://localhost:8000/v1"
    api_key: "xxx"

  - model: "Qwen3-30B-A3B-Instruct"
    base_url: "http://localhost:8001/v1"
    api_key: "xxx"

go run main.go

这将执行完整的委员会流程：

• 第一阶段：收集各模型的初步意见
• 第二阶段：各模型匿名评审并排名
• 第三阶段：主席模型整合所有反馈并生成最终答案

用户问题被分别发送给所有 LLM，收集各自的回复。

每个 LLM 都能看到其他 LLM 的回复。在后台，LLM 身份被匿名化，避免偏袒。LLM 根据准确性和洞察力对彼此进行排名。

指定的 LLM 委员会主席将所有模型的回复整合成最终答案并呈现给用户。

1. 模型选择：根据任务复杂度合理选择参与的模型数量，避免资源浪费
2. 参数调优：针对不同的任务类型调整模型的 temperature 和 top_p 参数
3. 错误处理：当某个模型响应失败时，系统会自动跳过并继续其他模型的处理
4. 资源管理：对于大量并发请求，建议配置适当的超时时间和重试机制

在 config/config.yaml 中添加新的模型配置项即可。

所有模型在评审过程中身份都是匿名的，避免任何形式的偏袒。