辩论模式（Debate Pattern）

多视角论证与主持人综合。N 个智能体各自从不同立场展开辩论；一位主持人逐轮审阅所有论点，判断是否已达成共识，或在达到最大轮数后强制结束辩论。

适用场景

• 投资决策：多空双方就一笔交易展开论证，架构选型争议，招聘决策等。
• 政策分析：通过正反方辩论来"压力测试"一项提案。
• 产品规划：探索相互冲突的用户需求或功能优先级。
• 研究综述：对多项相互矛盾的研究结论进行系统性整合。

不适用场景

• 答案唯一且确定：辩论天然带有噪声，如果一个确定性函数就能解决问题，无需引入辩论。
• 时间敏感的决策：每轮辩论需要 N 次 LLM 调用，延迟较高。若延迟是硬性要求，请使用 MapReduce 模式。
• 情感或个人话题：LLM 可能产生刻板印象或操控性话术。
• 辩手数量过多（10+）：单一主持人无法有效处理大量辩手。请先用 MapReduce 做分组。

---

架构

flowchart TD
    START([START]) --> debate_round

    debate_round["debate_round\n─────────────────\n每位辩手阐明立场\n并回应对方论点"]

    debate_round --> moderator

    moderator["moderator\n─────────────────\n审阅全部辩论记录\n总结进展\n判断是否达成共识"]

    moderator --> check{是否已结束？\n（共识或达到最大轮数）}

    check -->|"是（settled = True\n或轮数已达上限）"| END([END])
    check -->|"否（需要继续辩论）"| debate_round

    style START fill:#2d6a4f,stroke:#1b4332,color:#fff
    style END fill:#9d0208,stroke:#6a040f,color:#fff
    style debate_round fill:#264653,stroke:#2a9d8f,color:#fff
    style moderator fill:#e76f51,stroke:#f4a261,color:#fff
    style check fill:#e9c46a,stroke:#f4a261,color:#000

图中有两类节点：

1. debate_round — 遍历所有辩手，将各自的 system prompt 与完整辩论历史注入 LLM，收集各辩手的回应。
2. moderator — 将完整辩论记录喂给主持人 LLM，输出结构化结果：包含 SUMMARY（总结）、STATUS（SETTLED/CONTINUE）以及可选的 DECISION（最终裁决）。

从 moderator 出发的条件边根据 is_settled 和 current_round 决定是回到 debate_round 还是终止。

---

核心代码

from patterns.debate.pattern import DebatePattern

debaters = [
    {
        "name": "Bull",
        "role": "乐观派投资者",
        "system_prompt": "你是 Bull，一位乐观的科技投资者坚信 AI 将重塑所有行业...",
    },
    {
        "name": "Bear",
        "role": "谨慎风险分析师",
        "system_prompt": "你是 Bear，一位有 20 年经验的风险分析师，经历过互联网泡沫...",
    },
]

pattern = DebatePattern(max_rounds=3)
result = pattern.run(
    topic="是否应该以 5000 万美元估值向一家 AI 初创公司投资 100 万美元？",
    debaters=debaters,
)

print(result["final_decision"])
print(result["debate_history"])

状态定义

class DebateState(TypedDict):
    topic: str
    debaters: list[dict]              # [{name, role, system_prompt}]
    current_round: int
    max_rounds: int
    debate_history: Annotated[list[dict], operator.add]
    moderator_summary: str
    final_decision: str
    is_settled: bool

关键设计决策

• Annotated[..., operator.add]：辩论历史使用 LangGraph 的 Annotated + operator.add 注解模式，每轮辩论追加新论点而不覆盖之前的内容。
• 主持人自解析输出：主持人 LLM 必须输出 SUMMARY:、STATUS:、DECISION: 三行。模式通过 agentflow.utils 中的 extract_section 提取各字段。
• 共识由主持人决定：是否"达成共识"不是自动判断的，而是主持人根据论点质量和共识程度自主决定。

---

配置参数

参数	类型	默认值	说明
model	str	"gpt-4o-mini"	OpenAI 模型名
llm	BaseChatModel \| None	None	自定义 LLM（传入后覆盖 model）
max_rounds	int	3	最大辩论轮数，超出后强制结束

---

快速开始

# 安装依赖
cd agentflow
cp .env.example .env
# 在 .env 中填入 OPENAI_API_KEY

# 运行示例
python -m patterns.debate.example

---

示例输出

============================================================
DEBATE PATTERN — Investment Decision
============================================================

------------------------------------------------------------
  ROUND 1
------------------------------------------------------------

  [Bull  —  乐观派投资者]
  ........................................

  Bull 开门见山：AI 正在沿摩尔定律的轨迹快速发展，$50M 的估值
  相对于未来万亿级市场而言是白菜价。他引用了 OpenAI、DeepMind
  的早期投资回报案例，并强调了创始团队在 Transformer 架构上的
  深厚积累...

  [Bear  —  谨慎风险分析师]
  ........................................

  Bear 冷静回应：当前 AI 市场已严重过热。大多数 $50M 估值的初创
  公司月烧钱 $200 万，仅靠 API 调用收入无法覆盖成本。他引用了
  去年 3 家 AI 明星公司的倒闭案例，指出技术优势不等于商业护城河...

------------------------------------------------------------
  ROUND 2
------------------------------------------------------------

  [Bull  —  乐观派投资者]
  ........................................

  Bull 承认烧钱风险，但带来了新证据：刚刚与财富 500 强签订了
  $1000 万 ARR 合同，且自研的微调流水线可在未来 2 年内形成
  技术壁垒。他要求 Bear 正面回应这份合同的意义...

============================================================
  MODERATOR SUMMARY
============================================================

  SUMMARY: Bull 提供了 traction 的具体证据（财富 500 强合同、
  专有流水线）。Bear 的烧钱担忧是合理的，但尚未回应合同问题。
  第三轮应该聚焦于市场竞争格局和退出路径。

  STATUS: CONTINUE

============================================================
  ROUND 3
------------------------------------------------------------

  [Bull  —  乐观派投资者]
  [Bear  —  谨慎风险分析师]

============================================================
  MODERATOR SUMMARY
============================================================

  SUMMARY: 经过三轮完整辩论，双方都已充分表达立场。
  Bull 证明了 traction 和技术壁垒；Bear 揭示了市场时机和
  现金流风险。现在可以形成清晰的综合判断。

  STATUS: SETTLED
  DECISION: 建议分阶段投资：先投入 50 万美元作为初始 tranche，
  与里程碑挂钩（$20M ARR 且月烧钱降至 $50 万以下时，
  再注入剩余 50 万美元）。若里程碑未达成，则止损退出。

============================================================
  FINAL DECISION
============================================================

  建议分阶段投资：先投入 50 万美元作为初始 tranche，与里程碑
  挂钩（$20M ARR 且月烧钱降至 $50 万以下时，再注入剩余 50 万
  美元）。若里程碑未达成，则止损退出。

============================================================
  Debate concluded after 3 round(s)
  Settled by consensus: True
============================================================

---

与其他模式的对比

	辩论（Debate）	反思（Reflection）	MapReduce
智能体数量	N 个辩手 + 1 个主持人	1 个写手 + 1 个评审	1 个 mapper 编排器 + N 个 mapper + 1 个 reducer
流程特点	循环直至共识或达到最大轮数	循环直至质量阈值	先并行展开，再归并
最佳用途	对抗性推理、多视角综合	单一智能体的迭代自我改进	大规模并行处理
每轮 LLM 调用次数	N + 1（辩手 + 主持人）	2（写 + 评）	N 个 mapper + 1 个 reducer
结束条件	主持人判断共识达成	评审质量分数达标	Reducer 产出最终结果

当你需要单一智能体通过迭代不断提升质量时使用反思模式；当你需要并行处理大量独立任务时使用 MapReduce 模式；当你需要不同立场之间的结构化对抗性推理时使用辩论模式。

---

文件清单

patterns/debate/
├── __init__.py          # 空文件
├── pattern.py           # DebatePattern 类 + 系统提示词
├── example.py           # 投资决策示例
├── diagram.mmmd          # Mermaid 源文件
├── README.md            # 英文文档
├── README_zh.md         # 本文件（中文文档）
└── tests/
    ├── __init__.py
    └── test_debate.py   # 15+ 个测试用例