Atoms多模型同时调用结果合并处理代码

多模型API响应需要统一为包含text（文本内容）、model_name（模型名称）、token_usage（令牌使用情况）字段的JSON格式。串行调用时，按照长度加权进行合并，选取最长的文本作为主干，并补全独有实体。并行调用则适用于投票合并，包括硬投票多数决和软投票置信加权两种方式。级联过滤式合并分为三个步骤：A步骤提取事实，B步骤校正逻辑，C步骤控制语气。

准备多模型API响应数据结构

先确保每个模型返回的JSON结构统一，至少包含text、model_name、token_usage三个字段，否则后续合并逻辑会因键缺失而报错。

若调用OpenAI返回的是choices[0].message.content，Hugging Face返回的是generated_text，必须在call_model()函数内做标准化封装——不统一字段名，后面所有融合策略都会失效。

串行调用后按文本长度加权合并

方法一：直接取最长输出作为主干，其余结果补全细节

① 收集全部响应，过滤掉text为空或长度＜10的脏数据；

② 找出text字符数最多的响应，设为primary；

③ 对其余响应，提取其中不在primary中间出现的实体、数字、专业术语（用正则r'b[A-Z][a-z]+(?:s+[A-Z][a-z]+)*b|d+.*d*'匹配），去重后追加到primary末尾；

并行调用后启用投票机制合并

适用于分类、是非判断、选项选择类任务，例如“该合同条款是否构成违约？”

方法1：硬投票（多数决）

将每个模型输出映射为预定义标签，如{"是": 1, "否": 0, "无法判断": -1}，统计三票中间出现次数最多的标签值，直接返回对应中文。

方法2：软投票（置信分加权）

若某模型返回带confidence_score字段（如{"answer": "是", "confidence_score": 0.92}），则按分数加权计票，最终归一化为0～1区间输出。

这一步操作起来很简单，直接把各模型的confidence_score乘以对应标签编码后求和再除以总分即可。

级联过滤式合并：逐层精炼输出

适合高容错场景，如法律审查、医疗建议、金融风控。第一层筛事实，第二层校逻辑，第三层控语气。

第一步：用模型A（强事实提取型，如DeepSeek-R1）提取原始主张、金额、日期、责任方四类关键字段，丢弃所有修饰性语句；

第二步：将第一步结果喂给模型B（强逻辑校验型，如Qwen2.5-72B），检查“金额是否大于零”“日期是否早于当前日”等硬约束，标记违规项；

第三步：把前两步输出拼成新prompt，交给模型C（强合规表达型，如GLM-4-Flash），要求其仅用中性、无歧义、可审计的句式重写结论——