Multi-Agent Debate — 多智能体辩论共识
Skill-Multi-Agent-Debate · 10-MAS
causalexperimentoptimizationrecommendationragmulti_agentpricing客服与VOC推荐与搜索知识图谱与RAGMAS与智能体工程定价与利润WF-C 客服分诊WF-F 动态定价WF-G Listing内容优化WF-H 复购增长
实现难度⭐⭐⭐☆☆
业务优先级⭐⭐⭐☆☆
业务视角
适用角色运营负责人 / CTO · 产品经理 · CEO
适用平台Amazon PPC + 库存 + 定价 多 Agent 协作 · TikTok 内容运营流水线
什么情况下用运营任务太碎，选品/定价/广告/客服同时跑，人手严重不足；重复性运营动作需要 7×24 响应但没有足够人力
成功是什么样的多个 AI Agent 协作自动完成跨系统运营任务，运营团队人效提升 3-5 倍，7×24 无人值守运营
业务痛点
1. 解决的问题
- LLM 生成初始答案后，即使答案错误，也会在后续反思中"维护"这个答案
2. 核心算法逻辑
MultiAgent Debate (MAD) 提出了一种通过多 Agent 辩论来解决复杂推理问题的方法。核心洞察：单个 LLM 一旦对初始答案建立信心，后续的自我反思会陷入"思维退化"（DegenerationofThought），无法产生真正的新思路。多个 Agent 之间的对抗性辩论可以打破这种认知锁定。
3. 业务应用场景
一条评论的情感标注可能存在歧义。例如："Spectra S1 吸奶器价格贵但确实好用"——这到底是正面还是负面？单 Agent 可能因 prompt 偏向而给出不稳定的结果。
- 待标注的评论文本 - 多个标注 Agent（使用不同的 prompt/模型） - Judge Agent 的裁决标准
业务价值： - 减少单 Agent 的标注偏差，提升标注一致性 - 歧义案例的置信度量化，指导人工复核优先级 - 复杂情感表达的多维度标注，比单标签更丰富
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- 数据要求：低，无需额外训练数据
- 技术门槛：中，核心是 Prompt 设计（角色分化、辩论协议）
- 工程复杂度：中低，多 Agent 轮流调用
- 维护成本：低，调整角色 prompt 即可
- 解决真实问题：DoT 是 LLM 自我反思的根本局限
- 成本可控：GPT-3.5 × N 的总成本可能仍低于 GPT-4 单次调用
7. 代码模板
代码块数量：4 · 路径：paper2skills-code/mas/multi_agent_debate
cd paper2skills-code/mas/multi_agent_debate
python debate_system.py8. 论文来源
- 2305.19118