第 21 章 · Debate 模式

一份“言之凿凿”的选品报告

那个跨境卖家让 Agent 帮他判断：“2026 年下半年，宠物智能饮水机在欧洲市场值不值得押？”

Agent 很快给了一份漂亮报告：市场规模、增长率、目标人群、建议进货量，条理清晰、数字充沛，结论是“强烈建议押注”。卖家差点就信了——直到他随手核了一个数据，发现那个“欧洲市场年增长 40%” 是模型编出来的，真实数字只有个位数。

这就是单个 Agent 最危险的毛病：它会自信地给出错误答案（confidently wrong），而且因为是自己生成的，很难自我察觉（第 14 章讲 Reflection 时也提到）。让同一个 Agent 反复检查自己，效果有限——它容易一条道走到黑，为自己的错误辩护。

现实中我们怎么逼近真相？让不同的人各抒己见、互相质疑。真理越辩越明。这个思路搬到 Agent 上，就是本章的 Debate（多智能体辩论，multi-agent debate）模式。

模式：让多个独立 Agent 互相质疑

Debate 的核心：让多个独立的 Agent 对同一问题各自给出答案，然后互相批评、反驳、修正，最后汇聚到一个更可靠的结论。

典型流程分四步：

独立作答（independent answering）：N 个 Agent 各自独立回答同一个问题，不看别人的答案，以保证多样性。
交叉质疑（critique）：每个 Agent 看到别人的答案，指出其中的问题、提出反驳和证据。
修正（revise）：各 Agent 根据收到的质疑，修正自己的答案。
收敛（converge）：多轮之后答案趋于一致，或由一个裁判 Agent（judge agent）综合出最终结论。

回到那份饮水机报告：如果一开始就让三个独立 Agent 分别作答，很可能只有一个编造了“40% 增长”，另外两个要么给出真实数字、要么坦承“查不到可靠数据”。到了质疑环节，那个编造的数字立刻会被另外两个抓出来——错误在辩论中被淘汰，靠谱的部分存活下来。

为什么有效：独立性带来纠错

Debate 有效的关键，是一个词：独立性（independence）。

不同的 Agent（或同一模型的不同实例、不同提示、不同角色）会犯不同的错误。当 A 的错误恰好落在 B 的知识盲区之外、B 的错误落在 A 的盲区之外时——A 的错被 B 抓住、B 的错被 A 抓住，而双方都答对的部分会互相印证、稳稳存活。这就是“三个臭皮匠”的数学原理：只要错误是独立的、不高度相关，多个视角的交叉验证就能显著提升正确率。

反过来说，如果几个 Agent 用同一个模型、同样的提示、同样的偏见，它们会犯同样的错——那辩论就退化成“一起错、还互相点头确认”，不但没纠错，反而增加了你对错误答案的信心。所以 Debate 的生命线是保持真正的多样性：不同模型、不同角色设定、不同提示视角。

与 Reflection、ToT 的区别

这三个高级推理模式容易混，放一起对照最清楚：

模式	核心动作	谁在做	靠什么提质
Reflection（第 14 章）	自我审视—修正	单个 Agent（或加一个审阅者）	想得更仔细
Tree-of-Thoughts（第 20 章）	探索多条路径—选最优	一个思路，多个分支	想得更全
Debate（本章）	多个答案互相质疑—收敛	多个独立 Agent	视角更多

Debate 的独特价值在最后一列：它不靠“想得更深”或“想得更全”，而靠独立视角的相互制衡——这是前两者给不了的纠错机制。

用 pi 实现

Debate 也是一种在 harness 之上构建的模式，用 Part 5 的多 Agent 能力就能搭：

// 概念示意：多 Agent 独立作答 → 交叉质疑 → 裁判综合
async function debate(question, { agents, rounds = 2 }) {
  // 1. 独立作答（并行，且各自独立会话，保证多样性）
  let answers = await Promise.all(agents.map((a) => a.answer(question)));

  // 2. 多轮交叉质疑与修正
  for (let r = 0; r < rounds; r++) {
    answers = await Promise.all(
      agents.map((a, i) =>
        a.revise(question, {
          myAnswer: answers[i],
          othersAnswers: answers.filter((_, j) => j !== i), // 这一步才看到别人
        })
      )
    );
  }

  // 3. 裁判 Agent 综合出最终结论
  return judgeAgent.synthesize(question, answers);
}

两个要点值得盯住。第一，第 1 步必须并行且独立——每个辩手用独立的会话（session），别让它们互相看，否则会趋同、失去多样性；直到质疑阶段才把彼此的答案放进上下文。这体现了多 Agent 系统里反复出现的黄金原则——先发散，后收敛（diverge then converge）。第二，judgeAgent 不是简单投票，它要读懂各方的论据和反驳、判断谁的证据更硬，再综合成结论——裁判的质量，直接决定辩论的产出质量。

在 pi 里，这些辩手可以是同一 harness 起的多个 agent 实例，通过给每个实例不同的系统提示（乐观派/怀疑派/数据派）来制造视角差异；pi-ai 层还支持指定不同 provider，让你能真正用不同模型当辩手，把独立性做到底。

动手看看

拿一个你手头有标准答案的判断题(比如一个已经核实过的市场数据)，先让单个 Agent答一遍、记下它错在哪；再起三个不同系统提示的 Agent 独立答、交叉质疑一轮，看那个错误是否被抓出来纠正。这个对照会很直观地让你感到“独立性”的威力。

再做个反面实验：把三个辩手换成完全相同的提示和模型，重跑一遍。多半你会看到它们迅速趋同——甚至一起坚持那个错误答案。这就是“多样性丧失”的样子，记住它，你才知道 Debate 什么时候会失灵。

实战中的几个坑

坑一：辩手不独立，一起错还互相确认。

现象：几个 Agent 很快达成一致，但一致的结论是错的。
原因：用了同一模型、同一提示，它们共享同样的偏见，犯同样的错。
对策：强制多样性——不同 provider/模型、不同角色设定、不同提示视角，并让首轮作答彼此隔离。

坑二：成本随辩手数和轮数爆炸。

现象：N 个 Agent × 多轮质疑 × 裁判，一次判断烧掉几十次调用。
原因：Debate 天生调用量大，轮数和人数没设上限。
对策：控制辩手数(3 个通常够)、轮数(1–2 轮往往就收敛)、达成一致就提前停；非关键问题别上 Debate。

坑三：用在纯主观问题上，变成各说各话。

现象：对“哪个 logo 更好看”这类问题辩论半天，谁也说服不了谁，裁判也只能和稀泥。
原因：Debate 靠“用证据纠错”，主观问题没有可核验的对错。
对策：把 Debate 留给有明确对错的问题(数据核实、事实判断、逻辑推理)；主观问题另用别的方法。

坑四：裁判偏心或被“说得多”的辩手带跑。

现象：裁判总倒向发言最长、语气最肯定的那个，而非证据最硬的那个。
原因：裁判提示没强调“按证据强度而非表达自信度判断”。
对策：给裁判明确的评判标准(要求列出各方证据、指出谁的论据被成功反驳)，让它对“自信但无据”的发言保持警惕。

对比：其他框架

Multi-agent debate 是学术界验证过能提升事实准确性和推理质量的推理范式，同样是模式层面的技巧——四家框架都能实现，差别在组织“多 Agent 独立发言 + 裁判收敛”的便利性。

框架	Debate 怎么做	特点
LangGraph	每个辩手建成节点、多轮辩论建成循环、裁判建成汇聚节点，轮次与终止条件显式控制	适合需精确编排辩论流程的场景
CrewAI	把辩手和裁判定义成不同角色的 Agent，用 Crew 协作	最贴合“一队有分工的下属互相质疑”，但要自己隔离各角色记忆以保独立
PydanticAI	让每位辩手和裁判返回结构化立场/打分对象，使“收敛”有可比较的输入	无内建辩论编排，多轮循环需自己写
Agno	Team 的 collaborate 模式可让多 Agent 就同一问题各自作答再汇总	接近辩论形态，但“互相质疑、多轮反驳”仍要自行编排
pi	多 Agent + 并行 + 一个裁判 Agent 自行组合，可跨 provider 当辩手	关键的独立性(各辩手用独立会话)由你在 harness 层显式保证

一句话点破：四家都没有一等的“辩论”原语——Debate 是通用推理模式，各家差别只在编排便利性，而真正决定成败的独立性，无论用哪家都得你自己保证。

小结

Debate(multi-agent debate，多智能体辩论)让多个独立 Agent 互相质疑、收敛到更可靠的结论，专治单 Agent“自信地错”。
它的生命线是独立性：不同 Agent 犯不同的错，正确的部分在交叉质疑中存活；用同一模型同一提示会退化成“一起错还互相确认”。
流程遵循“先发散、后收敛”：首轮独立作答(隔离)→ 交叉质疑与修正 → 由裁判 Agent 按证据强度综合出结论。
它靠“视角更多”提质，区别于 Reflection 的“想得更细”和 ToT 的“想得更全”。
用对场景：对有明确对错的问题最有效，主观问题会变成各说各话；成本随人数和轮数爆炸，要设上限、能收敛就提前停。

ToT、Debate 都是“多想/多辩”来提质。下一章看一个更贴近实用的组合范式——Research-Synthesis(研究—综合)，它也是本书贯穿项目的核心。