通过让AI代理使用自定义AI生成的UI工具，克服LLM的字谜/分词限制

我们很多人都知道，由于分词的原因，LLM在字符级别的数学运算和字谜方面表现不佳。如果你给模型一个24个字符的短语，并要求生成一个完美的字谜，它几乎总是作弊（例如，移动一个9个字母的单词并重新排列其余部分）。昨晚，我在测试一个递归工具使用循环时取得了里程碑式的突破，完全解决了这个问题。与其强迫模型抽象地解决文本问题，我让它访问了我一直在构建的自定义基于网络的排版工具套件。有趣的是，整个排版工具套件本身100%都是由AI代理在几个月前通过代码生成的。流程：失败状态：作为对照组。模型在原始文本字谜上失败。工具转换：我将同一个模型的一个新聊天实例指向自定义UI布局。自主执行：模型成功映射了自定义DOM输入，将短语输入到本地化工作区以数学方式隔离剩余字符，并完美解决了字谜。多模态延续：基于新生成短语的语义主题，代理生成了上下文背景图像，计算了运动组件内透明文本叠加的精确X/Y布局坐标，并自主编译并将最终序列导出为MP4。看到模型使用一个在训练数据中见过无数次的主流工具（如Blender）很酷。看到模型推理通过一个由另一个AI创建的自定义接口，以绕过自身的算法盲点，感觉像是真正洞察到代理工作流程的实际发展方向。好奇是否还有其他人在尝试让代理使用自定义构建的本地接口来解决严格的数学或逻辑障碍，而不是纯粹依赖文本提示？该套件完全开源。我会在评论区放上GitHub和网页链接，供任何想审计架构、测试环境或查看提示逻辑的人使用。