这次我们来看一场真实的辩论赛西南政法大学对阵中国农业大学辩题是“在高度流动的社会里该 / 不该坚持追求与他人的深度关系”晋级赛 GHI-JKL 组第一场。只看输赢没有太大意义真正值得拆的是这个辩题的对抗结构社会流动性、深度关系、坚持与舍弃两个立场听起来都成立怎么把这种观点对抗系统化、可重复地展开才是可以沉淀成技术方案的部分。这篇文章就从这里切入给你一套能直接跑起来的多 Agent 大模型辩论模拟系统。这套方案的核心不是某个模型有多强而是把一场辩论拆成可执行的流程先用大模型拆题再让两个持方 Agent 分别完成立论、反驳、结辩最后让一个评委 Agent 打分。整个过程基于大模型 API 完成普通电脑就能跑不需要本地显卡如果想完全离线也可以换成本地小模型后面会讲两种模式怎么取舍。适合的读者很明确辩论赛辩手和教练、需要做观点对抗分析的从业者、想了解多 Agent 协作与结构化 Prompt 的开发者。你可以照着文章里的代码把第一场模拟辩论跑起来再把持方、辩题、轮数替换成自己的需求。下面先给核心能力速览然后按环境准备、系统搭建、功能测试、API 化与批量任务、资源占用、问题排查的顺序展开。全程代码优先不绕弯。1. 核心能力速览这个辩论模拟系统能做什么先说清楚这是一个代码驱动的大模型应用方案不是别人打包好的图形软件。它解决的核心问题是面对一个正反立场都成立的辩题如何快速生成至少两个方向的全套论点和攻防稿。它的输入是辩题文本、持方名称、立场描述和轮数输出是立论、反驳、结辩全文以及裁判 Score 的 JSON。能力项说明方案类型多 Agent 辩论模拟系统Python 脚本工程输入辩题文本、正方队伍、反方队伍、双方立场、交锋轮数输出立论、逐轮反驳、结辩全文评委评分 JSON运行环境Python 3.9Windows / macOS / Linux 均可硬件要求API 模式普通电脑即可本地模型模式按模型参数量和量化方式准备内存或显存接口依赖任意 OpenAI 兼容的大模型 API或本地 Ollama / LM Studio显存占用API 模式本机占用约 0本地模式以实际模型为准是否支持批量支持可在循环中批量生成多场辩题的完整辩论稿是否支持 API 化支持可使用 FastAPI 封装成 HTTP 服务最强用途辩题拆解、赛前攻防演练、持方互换训练、观点批量生成值得关注的三个点。第一门槛很低API 模式下本机不需要显卡代码量也不大核心逻辑只有 Agent 定义、辩论主流程、评委打分三个模块。第二立场完全可配置正方反方可以随时互换这一点对辩论队特别有用因为正式比赛经常会抽到你不认同的持方提前用 AI 做一次“立场翻转训练”能明显减少临场的思维盲区。第三全流程可保存每一轮发言都会追加到 transcript 列表里最终落地成 Markdown 文件方便赛后复盘也方便做批量任务。2. 辩题拆解与方案选型为什么用多 Agent 而不是一个 Prompt2.1 先把辩题拆成关键词“在高度流动的社会里该 / 不该坚持追求与他人的深度关系”这个辩题至少包含三个可再定义的部分。第一是“高度流动的社会”它的表现是人口迁移、职业更替、城市切换、社交圈层频繁重组。第二是“他人的深度关系”这可以指亲密关系、长期友谊、师生关系、深度信任关系核心特征是时间投入大、情感投入高、不可替代性强。第三是“坚持追求”到底意味着什么是指不因环境变化而放弃维护关系还是指主动投入精力去建立新的深度关系。这些概念不先讨论清楚双方很容易各说各话。用大模型拆题时不要直接让它写辩论稿而是先让它输出一个结构化的概念框架。拆题的 Prompt 可以这样写# topic_analysis.py # 拆题 prompt 示例实际运行时通过模型 API 调用 TOPIC_ANALYSIS_PROMPT 请拆解以下辩题输出三部分 1. 辩题背景这个辩题出现在什么样的社会现实里 2. 核心概念定义如何定义“深度关系”和“高度流动的社会” 3. 正方和反方最可能的三个论点。 辩题{topic} 这一步看起来简单但很关键。拆完题之后你会发现双方的分歧本质上是价值排序的分歧正方更看重关系质量带来的确定性与幸福感反方更看重个体在流动环境中的适应能力和避免沉没成本。把分歧点找出来后面的攻防稿才会有针对性。2.2 为什么单模型容易“和稀泥”如果你只是打开一个聊天窗口输入“你是反方请反驳正方”大模型很可能输出一段四平八稳的“双方都有道理”的内容。这是因为通用大模型训练时被鼓励保持中立尤其是面对没有绝对正确错误的社会议题时模型会自动往安全、折中的方向靠。多 Agent 方案的价值就在于强制立场。每个 Agent 有自己的 System Prompt明确告诉自己属于哪个队伍、坚持什么立场、不许中立、不许摇摆。这样在交锋轮次中它只能顺着自己的立场去找论点和论据。即使模型偶尔出现立场漂移你也可以通过下一轮指令把它拉回来。多 Agent 的另一个优势是可控性。每一轮发言都会写入统一的 transcript你可以随时检查某个观点是谁提出的、在第几轮提出、后面有没有被反驳。这种过程记录是单人对话式 Prompt 很难做到的。2.3 技术选型API 模式、本地模型模式、混合模式实际部署有三种选择。API 模式是最快的本机安装 Python 和 OpenAI SDK配置一个 OpenAI 兼容的服务商接口填上密钥就可以发请求。优点是方便、速度快、支持上下文长度大缺点是把辩题和过程数据发送到了外部模型服务需要注意数据边界。本地模型模式适合对数据敏感的团队用 Ollama 或 LM Studio 在本地运行一个 7B 或 14B 的量化模型再通过本地 HTTP 接口接入同一套 Agent 逻辑。优点是完全离线、数据不出本机缺点是需要准备足够的内存或显存且小模型在逻辑密度的表达上通常比大厂商的付费 API 弱一些。混合模式也很常见拆题和结辩这种需要较强概括能力的环节走 API交锋轮次走本地小模型。这样的成本控制更灵活。下面的代码默认使用 OpenAI 兼容 API你只需要修改 BASE_URL 和 MODEL_NAME就能切换到本地模型。3. 环境准备与前置条件3.1 准备清单Windows、macOS、Linux 都可以跑。你需要准备这些内容Python 3.9 或更高版本建议用虚拟环境隔离依赖。一个大模型服务账号支持 OpenAI 兼容协议或者本地安装 Ollama / LM Studio。网络能够访问你选定的模型服务商公开接口。磁盘空间按需预留。API 模式几乎不占空间本地模型模式需要根据模型文件大小预留通常 7B 量化模型需要数 GB 空间以实际模型为准。创建工程目录并安装依赖mkdir ai_debate cd ai_debate python -m venv venv # Windows venv\Scripts\activate # macOS / Linux source venv/bin/activate pip install openai python-dotenv如果后面要用 FastAPI 封装 HTTP 接口再安装pip install fastapi uvicorn3.2 模型服务准备如果你使用在线 API按照服务商文档创建密钥拿到三个信息模型名称、Base URL、API Key。大多数兼容 OpenAI 协议的服务商Base URL 一般形如https://api.example.com/v1实际以服务商文档为准。如果你使用本地 Ollama先启动服务然后拉取需要的模型。以官方模型库中的 7B 量级模型为例ollama pull qwen2.5:7b拉取完成后Ollama 默认会提供一个 OpenAI 兼容地址http://127.0.0.1:11434/v1模型名称填qwen2.5:7b。不同版本、不同模型库的模型名可能不同以你本机ollama list的输出为准。4. 搭建多 Agent 辩论系统4.1 工程结构建议按下面这个结构组织文件后面维护起来更清晰ai_debate/ ├── config.py # 模型配置、辩题、持方 ├── agent.py # DebateAgent 类 ├── run_debate.py # 辩论主流程 ├── judge.py # 评委打分 ├── batch.py # 批量任务脚本 └── output/ # 输出目录4.2 配置文件 config.py把模型信息和辩题信息集中在 config.py 里不要在多个文件里散落写死。# config.py import os from dotenv import load_dotenv load_dotenv() # 模型服务配置按实际服务商修改 MODEL_NAME os.getenv(MODEL_NAME, your-model-name) BASE_URL os.getenv(BASE_URL, https://api.example.com/v1) API_KEY os.getenv(API_KEY, your-api-key) # 辩题和持方配置 # 注意这里只是为了演示写了一个持方分配 # 正式比赛以实际抽签/赛制为准直接把队伍名和立场替换掉即可。 DEBATE_TOPIC 在高度流动的社会里该/不该坚持追求与他人的深度关系 POSITIVE_NAME 西南政法大学 NEGATIVE_NAME 中国农业大学 POSITIVE_STANCE 该坚持追求与他人的深度关系 NEGATIVE_STANCE 不该坚持追求与他人的深度关系这里有两个容易踩的坑。第一个是 API Key 不要直接硬编码在代码里建议通过环境变量或.env文件管理。第二个是持方分配不要想当然有的赛制里中国农业大学可能是正方有的里可能是反方配置成谁就是谁不要带着错误预设去看评分结果。4.3 定义 DebateAgent每个队伍对应一个 Agent它知道自己的名字、立场并封装了完整的大模型调用逻辑。# agent.py from openai import OpenAI from config import API_KEY, BASE_URL, MODEL_NAME class DebateAgent: def __init__(self, name: str, stance: str): self.name name self.stance stance self.client OpenAI(api_keyAPI_KEY, base_urlBASE_URL) def speak(self, instruction: str, history: list[str]) - str: context \n\n.join(history[-8:]) messages [ { role: system, content: ( f你是{self.name}的辩论代表。你坚持的立场是{self.stance}。 请始终保持这个立场不要中立不要摇摆。 ), }, { role: user, content: ( f当前辩论记录\n{context}\n\n f任务{instruction} ), }, ] resp self.client.chat.completions.create( modelMODEL_NAME, messagesmessages, temperature0.8, max_tokens1024, ) return resp.choices[0].message.content.strip()history 取最近 8 轮是为了控制上下文长度。如果整场辩论全都塞进去长文本场景下不仅费用高还会因为上下文过长导致模型注意力分散。截取最近几轮能保证每一次发言都围绕最新交锋展开。4.4 辩论主流程 run_debate.py主流程的规则是立论、自由交锋、结辩。每一轮发言都追加到 transcript最后写入 Markdown 文件。# run_debate.py from agent import DebateAgent from config import ( DEBATE_TOPIC, POSITIVE_NAME, NEGATIVE_NAME, POSITIVE_STANCE, NEGATIVE_STANCE, ) def run_debate( positive: DebateAgent, negative: DebateAgent, rounds: int 3, topic: str None, ) - list[str]: if topic is None: topic DEBATE_TOPIC transcript [] # 立论 opening positive.speak(f辩题{topic}。请先进行立论陈词。, transcript) transcript.append(f【{positive.name}·立论】\n{opening}) opening negative.speak( f辩题{topic}。请针对对方立论进行反驳并进行你的立论陈词。, transcript ) transcript.append(f【{negative.name}·立论】\n{opening}) # 自由交锋 for round_no in range(1, rounds 1): reply positive.speak( f第{round_no}轮交锋请针对对方上一轮观点逐点反驳。, transcript ) transcript.append(f【{positive.name}·第{round_no}轮】\n{reply}) reply negative.speak( f第{round_no}轮交锋请针对对方上一轮观点逐点反驳。, transcript ) transcript.append(f【{negative.name}·第{round_no}轮】\n{reply}) # 结辩 closing positive.speak(请给出你的结辩陈词总结你的核心立场并回应对手。, transcript) transcript.append(f【{positive.name}·结辩】\n{closing}) closing negative.speak(请给出你的结辩陈词总结你的核心立场并回应对手。, transcript) transcript.append(f【{negative.name}·结辩】\n{closing}) return transcript if __name__ __main__: positive DebateAgent(POSITIVE_NAME, POSITIVE_STANCE) negative DebateAgent(NEGATIVE_NAME, NEGATIVE_STANCE) transcript run_debate(positive, negative, rounds3) with open(output/debate_record.md, w, encodingutf-8) as f: f.write(f# {DEBATE_TOPIC}\n\n) f.write(\n\n.join(transcript)) print(辩论记录已保存到 output/debate_record.md)运行前先创建 output 目录也可以直接在代码里用os.makedirs创建。首次运行建议只跑 1 轮确认接口配置没有问题后再加轮数。4.5 评委打分 judge.py评委 Agent 的任务不是替某一方说话而是对整场辩论进行结构化评估输出 JSON。这样后续可以很方便地把结果接入自动化统计。# judge.py import json from agent import DebateAgent from config import POSITIVE_NAME, NEGATIVE_NAME def judge_debate(transcript: list[str]) - dict: judge DebateAgent(评委, 你是一名辩论赛评委必须公平打分) prompt ( 请根据以下辩论记录从论点清晰度、论据充分性、逻辑严密性、语言表达、团队配合 五个维度评价。只输出 JSON不要输出其他文字。\n\n f正方队伍{POSITIVE_NAME}\n反方队伍{NEGATIVE_NAME}\n\n f辩论记录\n{chr(10).join(transcript)}\n\n 输出格式{正方得分: 0, 反方得分: 0, 胜方: ..., 理由: ...} ) result judge.speak(prompt, []) start result.find({) end result.rfind(}) 1 return json.loads(result[start:end]) if __name__ __main__: from run_debate import run_debate positive DebateAgent(POSITIVE_NAME, POSITIVE_STANCE) negative DebateAgent(NEGATIVE_NAME, NEGATIVE_STANCE) transcript run_debate(positive, negative, rounds2) score judge_debate(transcript) print(json.dumps(score, ensure_asciiFalse, indent2))评委可能偶尔输出一段说明文字再给 JSON所以代码里用find({)和rfind(})做了提取。如果模型返回的不是 JSON 而是普通文本可以适当调整提示词或者在解析失败时增加一层重试。5. 功能测试与效果验证5.1 测试拆题先看模型能不能把概念讲清测试目的验证模型是否理解辩题而不是直接套模板。输入示例辩题在高度流动的社会里该/不该坚持追求与他人的深度关系操作方式把第 2 章里的拆题 Prompt 复制到任意 Agent或者直接调用DebateAgent.speak。预期结果输出包含社会背景、核心概念定义、双方论点三部分。“深度关系”有可操作的定义比如时间投入、情感投入、不可替代性。双方论点没有明显混同正方讲关系价值反方讲流动适应。判断标准如果模型输出的双方论点高度相似说明这一版 Prompt 的“立场区分度”不够需要进一步要求“从完全对立的价值取向出发”。5.2 测试立论立场是否站得住测试目的验证立论质量。操作方式运行run_debate.py先只取立论部分查看。预期结果正方应强调深度关系带来的归属感、长期支持和社会资本。反方应强调在高度流动社会中维护深度关系的高成本、低确定性以及把资源投入自身发展可能更高效。判断标准每一段陈词里应包含至少一个清晰的判断句、一个理由、一个具体场景例子。如果只输出抽象概念可以要求模型补充“具体生活场景中的实例”。5.3 测试交锋反驳是否针对上一轮测试目的验证多轮对抗产生真正的“互驳”而不是各说各话。操作方式跑 3 轮自由交锋检查每一轮回复是否提到上一轮的关键论点。预期结果第二轮正方回复里能够看到反方第一轮的观点被识别并回应。后续轮次中双方不会突然改变自己的根本立场。判断标准如果发现某一轮内容完全不相关说明 history 截断或 Prompt 中的“针对上一轮观点逐点反驳”没有起作用可以加大 instruction 的权重比如把辩题和最近一轮发言复制到指令里。5.4 测试评委 Score 与持方互换测试目的验证评分环节和立场互换后的稳定性。操作方式记录一版 transcript 的评分。将正反方立场互换重新生成 transcript再次评分。预期结果评委 Score 是 JSON且包含双方得分、胜方、理由。互换立场后模型能生成一套逻辑一致的相反论证而不是同样的话换个队伍名。判断标准如果互换立场后论点几乎没变说明 System Prompt 里的立场约束没有生效需要检查 Agent 构造时传的 stance 参数是否被正确使用。6. 接口 API 化与批量任务6.1 批量生成辩论稿对手头有多道辩题需要同时处理的场景可以写一个批量脚本。每道题独立执行失败自动重试避免某个接口超时影响整个批次。# batch.py import time from agent import DebateAgent from run_debate import run_debate tasks [ { topic: 在高度流动的社会里该/不该坚持追求与他人的深度关系, positive: 该坚持, negative: 不该坚持, }, { topic: 远程办公常态化是否削弱了职场深度关系的必要性, positive: 削弱了, negative: 没有削弱, }, ] for idx, task in enumerate(tasks): for attempt in range(3): try: positive DebateAgent(正方, task[positive]) negative DebateAgent(反方, task[negative]) transcript run_debate( positive, negative, rounds2, topictask[topic], ) with open(foutput/task_{idx}.md, w, encodingutf-8) as f: f.write(f# {task[topic]}\n\n) f.write(\n\n.join(transcript)) print(f任务 {idx} 完成) break except Exception as exc: print(f任务 {idx} 第 {attempt 1} 次失败: {exc}) time.sleep(5)批量任务的关键是慢不能急。大量并发请求很容易触发模型服务商的限流导致大量 429 或超时。比较稳妥的做法是每完成一个任务后随机等待 1 到 3 秒并把失败任务单独记录下来最后统一重试。6.2 用 FastAPI 封装成 HTTP 接口如果需要把辩论模拟能力提供给团队成员或其他系统可以用 FastAPI 包一层。这样前端页面、脚本、飞书机器人、企业微信机器人都可以通过 POST 请求调用。# api.py from fastapi import FastAPI from pydantic import BaseModel from agent import DebateAgent from run_debate import run_debate app FastAPI() class DebateRequest(BaseModel): topic: str positive_name: str negative_name: str positive_stance: str negative_stance: str rounds: int 3 app.post(/debate) def create_debate(req: DebateRequest): positive DebateAgent(req.positive_name, req.positive_stance) negative DebateAgent(req.negative_name, req.negative_stance) transcript run_debate( positive, negative, roundsreq.rounds, topicreq.topic, ) return {transcript: transcript}启动服务uvicorn api:app --host 127.0.0.1 --port 8000用 curl 测试curl -X POST http://127.0.0.1:8000/debate \ -H Content-Type: application/json \ -d { topic: 在高度流动的社会里该/不该坚持追求与他人的深度关系, positive_name: 西南政法大学, negative_name: 中国农业大学, positive_stance: 该坚持追求与他人的深度关系, negative_stance: 不该坚持追求与他人的深度关系, rounds: 2 }接口返回的 JSON 里会包含完整的