章节主旨
演示一个把「多 agent 互相辩论再综合」自动化的脚本:从用户一句话里解析出议题、模式、agent 数、轮数,让各 agent 轮流读别人的回复、公开分歧,最后汇成一份结论。
核心论点
- 多 agent 共识不必手工编排,可脚本化为一条可复用管道——参数从用户消息里抽,过程与综合都自动跑。(→ 详解1)
- 让 agent 互看回复并设一个专职 contrarian,产出比单模型直答更经得起推敲的结论。(→ 详解2)
知识点详解
1. 从一句话解析参数并驱动辩论脚本 1:07:47
这个玩法的入口是把用户消息拆成四个参数:议题 / 问题、模式(mode)、agent 数量、讨论轮数。
拆完后交给一个预置脚本执行。脚本自动化的核心动作是:每个 agent 在最终 synthesis 之前,先去看其他每个 agent 的回复,再据此调整自己的判断。
这样做的意义是把 多 Agent 共识 从「人工逐个开对话、手动转述」变成一条可重复调用的 Pipeline,换个议题只改参数即可。
2. Contrarian 角色 + 轮次讨论收敛为综合结论 1:08:05
演示里其中一个 agent 是 Contrarian Agent(专职唱反调):它先抛出 15 个想法,再立即挑战其中该被质疑的部分,并把各 agent 的分歧一条条摆出来。
这些 agent 会持续地互相讨论,过程可被人旁观监控,最后由一个 synthesis 步骤把讨论收成一份答案。Nick 用一个做莎莎酱选料的例子跑通了它——例子本身无关紧要,重点是同一套流程可套到任意需要权衡取舍的问题上,比如设计某种编程方案或选技术框架。
要点在于:结论不是某个模型一口气给的,而是经过互评与反驳后收敛出来的,因此更稳。
术语
- Model-Chat:让多个模型/agent 就同一议题多轮互评、最后综合的玩法。
- synthesis:辩论收尾阶段,把各 agent 观点与分歧归并成一份结论。
- contrarian:被指派专门唱反调、挑战其他 agent 观点的 agent 角色。