MathKernel：面向 LLM 與 Python 的證據感知多引擎數學核心

核心概念

MathKernel 是一套 證據感知的多引擎數學核心，同時提供 Python 函式庫（mathkernel）與 MCP 伺服器（`mathkernel-mcp）** 介面。它讓應用程式與 大型語言模型（LLM） 能在執行高階數學運算時，保留假設、來源與每項主張的具體證據。每筆運算結果皆附帶 信任等級、引擎標籤與推導路徑，從精確算術到形式化證明皆可分別標示。

背景與技術架構

LLM 擅長解讀使用者意圖，卻常在算術上出錯。MathKernel 透過「分工倒置」的方式，讓模型負責 解析、規劃與意圖判讀，而核心負責 計算與證據記錄。其架構不是單一求解器，而是一層 型別化編排層（typed orchestration layer），負責：

• 文字解析與上下文管理
• 物件身分與永續化
• 證據組合與資源政策
• 推導追蹤與驗證方法

真正的數學運算則交由 領域適配器（domain adapters）執行，確保呈現層（例如圖表或音訊）只能顯示已有證據，不能自行產生更高可信度的主張。

影響與應用

MathKernel 支援的資料類型相當廣泛，包括：

• 變換、複數、機率 物件
• 圖形、組合結構、有限群/環/域/模組
• 訊號、濾波、控制系統、最佳化問題
• 流形 → 座標圖 → 度量/張量場/微分形式
• 點、點集合、多邊形、多胞形、三角化
• 有限單純複形、立方複形、整鏈複形
• 統計樣本、廣義線性模型、存活分析、時間序列、隨機過程（如泊松過程、維納過程、高斯過程、連續時間馬可夫鏈）
• 隨機微分方程、結構化 PDE

每種運算都可產生 獨立證書、交叉驗證 或 單一引擎的精確計算。僅靠多引擎一致性並不等同於正式證明，系統仍要求完整的證據包（evidence bundle）才能確立可信度。

未來展望

隨著 LLM 與自動化科學工具的融合加深，證據可追溯 成為關鍵需求。MathKernel 的模組化設計允許未來加入更多專業引擎（如代數幾何、量子模擬），同時保持 證據完整性。對開發者而言，透過統一的 math_object_create、math_object_get、math_apply 介面，即可在不同領域間組合運算，打造具備可驗證、可重現的 AI 數學應用。未來若結合區塊鏈或可信執行環境，將進一步提升證據的防篡改能力，為學術研究與產業決策提供更堅實的數學基礎。