多 Agent 辩论框架：角色对立 + 批评探测 + 共识置信度

多次询问同一个模型同一个问题，你会得到三次改写和一个自信的语气——无论答案是否真的存在争议。多智能体辩论则恰恰相反：三个角色独立作答，一位批评者指出每个人的缺陷，每个智能体修订或辩护，Python 统计票数，裁判综合出最终答案——置信度本身就是共识的体现：全票通过 → HIGH，分歧 → LOW。

来自 Zero 的 Agentic AI 项目 9 在真实环境中针对 NVIDIA NIM（meta/llama-3.1-8b-instruct）运行了这场辩论——每次辩论 8 次模型调用，两轮辩论，共 16 次实时调用。

多样性是工程出来的，不是碰运气

辩论只有在辩论者存在分歧时才有用。这通过三个截然不同的 system prompt 对同一个模型实现：

PERSONAS = [
  Persona("cautious", "Cautious", "🛡️",
    "You are the CAUTIOUS debater. Risk-averse and conservative: prefer proven, low-downside "
    "answers, distrust hype, and double-check the arithmetic and edge cases before committing."),
  Persona("creative", "Creative", "💡",
    "You are the CREATIVE debater. Think laterally; back a bold, unconventional answer if the "
    "upside is high — but flair is no excuse for being wrong on a question with a definite answer."),
  Persona("literal", "Literal", "📏",
    "You are the LITERAL debater. Precise and methodical: answer EXACTLY what was asked, show the "
    "steps, and read nothing into the question that is not there."),
]

每个角色在不看其他人答案的情况下独立作答（temperature 0.7）。在一个有争议的问题上，它们从一开始就分道扬镳：2 个 bootstrap / 1 个 venture capital——真正的分歧，而不是三种措辞。关键是，每个提案都附带一个简短的规范立场——这是立场本身，而不是方法的描述——所以两个达成一致的智能体会发出相同的标签，可以被统计。

批评者不回答任何问题；反驳才是改变思想的关键

一位批评者阅读所有提案，并对每一个返回判决（sound / flawed / unsupported）和最重要的一个缺陷。它不回答问题——它唯一的工作是给反驳者一个可以攻击的靶子。然后每个提案者重新作答，在阅读了批评和其他人的意见后，只有在真正被说服的情况下才改变立场。而且思想变化是被测量出来的，而不是从模型的自我报告中信任的：

def detect_mind_changes(before, after):     # measured from the STANCES, not self-report
    pre = {p.persona_id: normalize_stance(p.stance) for p in before}
    return [p.persona_id for p in after if pre[p.persona_id] != normalize_stance(p.stance)]

投票和置信度是确定性的 Python 代码

立场就是选票。将其标准化，使"$0.05"、"0.05"和".05"能够合并统计，然后计数：

def tally(final_proposals):
    ballots = {p.persona_id: normalize_stance(p.stance) for p in final_proposals}
    counts  = dict(Counter(ballots.values()))
    winner, votes = sorted(counts.items(), key=lambda kv: (-kv[1], kv[0]))[0]   # plurality
    tied = list(counts.values()).count(votes) > 1
    return Tally(ballots, counts, winner, votes, total=len(final_proposals), tied=tied)

def derive_confidence(t):
    r = t.winner_votes / t.total                        # the consensus ratio
    if t.winner_votes == t.total and not t.tied:   return Confidence("high",   r, "unanimous")
    if t.winner_votes > t.total / 2 and not t.tied: return Confidence("medium", r, "a majority")
    return Confidence("low", r, "split — no majority; flagged")

裁判永远不能断言置信度——它是从数学中自然产生的。

两场真实辩论，两种截然不同的结果

在球棒和球的问题上，专家组达成了共识："0.05"×3，比率 1.00，裁判说出"$0.05"，HIGH 100%。在 bootstrap 对比 VC 的问题上，批评移动了两个人的想法（venture capital → hybrid，bootstrap → venture capital）——但专家组并没有收敛，而是分散成 1/1/1 的三向平局，比率 0.33，LOW 33%，被标记。这就是关键所在：一轮没有达成共识的辩论是一个有效的结果，真正的分歧被可视化为低置信度，而不是被虚假地抹平。

模型负责辩论；将论证转化为判决的每个部分都是确定性的 Python 代码，你可以阅读和测试。在这里逐步走过两轮辩论：https://dev48v.infy.uk/agentic/project9-debate.html——代码库在 https://github.com/dev48v/agentic-ai-from-zero

接下来，项目 10：一个自我反思的智能体，为自己的工作打分。