swarms 多智能体辩论框架实战DebateWithJudge 正反方与裁判的自精炼机制详解【免费下载链接】swarmsThe Enterprise-Grade Multi-Agent Orchestration Framework. Website: https://swarms.ai项目地址: https://gitcode.com/GitHub_Trending/swar/swarms本文围绕 swarms 仓库中的DebateWithJudge多智能体辩论架构展开讲解其正反方对抗 裁判综合 多轮自精炼的运行机制、三种 Agent 配置方式、全部核心参数与输出格式并基于仓库内四个实战示例给出可直接运行的政策辩论、技术架构辩论与商业战略辩论方案。读完本文你将掌握如何在企业级多智能体场景中用辩论模式探索复杂议题的多个视角并得到经过多轮裁判评估与综合的收敛答案。一、辩论模式在 swarms 框架中的定位多智能体辩论Debate是 swarms 提供的核心协同架构之一。它让多个 Agent 围绕复杂议题进行结构化讨论各方提出论点、互相反驳、再由中立方评估综合最终通过话语交锋得出经过推理的结论。这种模式非常适合用于探索复杂议题的多个视角并最终得出有理有据的决策——例如 AI 监管政策评估、软件架构选型、企业增长战略研判等开放性问题。围绕该模式仓库在 examples/multi_agent/debate_examples/ 目录下提供了完整的示例集合其核心实现类是DebateWithJudge位于 swarms/structs/debate_with_judge.py并通过 swarms/structs/init.py 导出可以直接从swarms顶层导入from swarms import DebateWithJudge二、DebateWithJudge 架构与多轮自精炼工作流DebateWithJudge实现的是带**自精炼self-refinement**能力的辩论系统。其核心设计是Agent APro 正方与Agent BCon 反方提出相互对立的论点双方论点统一交给Judge / Critic裁判/评审Agent评估裁判给出胜者判定或综合结论winner or synthesis产出精炼后的答案该流程重复N 轮max_loops每一轮都基于上一轮裁判的综合继续精炼逐步逼近更完善的结论。架构流程图源自文档Agent A (Pro) ↔ Agent B (Con) │ │ ▼ ▼ Judge / Critic Agent │ ▼ Winner or synthesis → refined answer从源码 swarms/structs/debate_with_judge.py 看每一轮的推进逻辑非常清晰见run方法debate_with_judge.py#L264-L350Pro 正方出论先根据当前议题构造正方提示词Pro Agent 生成论点Con 反方反驳Con Agent 拿到议题与 Pro 的论点后构造反驳提示词并生成反方论点Judge 裁判综合裁判拿到议题、双方论点与回合序号输出评估与综合结论议题演进裁判的综合结论被作为下一轮的新议题current_topic从而形成正方 → 反方 → 裁判 → 再辩论的迭代闭环。值得注意的一个实现细节每一轮三个 Agent 的输出都经过agent_answer()定义于 swarms/structs/context_utils.py#L187-L212取该 Agent 的最终回答而非Agent.run()默认返回的整段会话记录——这样写入共享Conversation的才是该 Agent 本轮真正的论点正文而非回显的上下文。回合间的提示词差异从源码 swarms/structs/debate_with_judge.py#L376-L453 可以确认框架区分了首轮与精炼轮的提示词第 0 轮使用PRO_FIRST_ROUND_PROMPT/CON_FIRST_ROUND_PROMPT/JUDGE_ROUND_PROMPT双方各自给出初始立场裁判做首次评估后续轮次使用PRO_REFINEMENT_ROUND_PROMPT/CON_REFINEMENT_ROUND_PROMPT要求双方针对裁判指出的弱点改进论点裁判在中间轮追加JUDGE_INTERMEDIATE_ROUND_INSTRUCTIONS给出改进反馈其综合作为下一轮议题在最终轮追加JUDGE_FINAL_ROUND_INSTRUCTIONS给出最终裁决与精炼答案作为辩论的最终输出。三、三种 Agent 配置方式初始化选项DebateWithJudge的构造函数支持三种互斥的 Agent 配置方式源码实现见 _configure_agents其优先级为Agent 列表 单独参数 预设 Agent。方式一预设 AgentPreset Agents最简方式使用内置的、为辩论场景优化过的 Agent只需指定模型名与轮数from swarms import DebateWithJudge # Create debate system with built-in agents (simplest approach) debate DebateWithJudge( preset_agentsTrue, max_loops3, model_namegpt-5.4 ) # Run debate result debate.run(Should AI be regulated?)源码中 _create_preset_agents 会创建三个默认 AgentPro-Debater正方辩手、Con-Debater反方辩手、Debate-Judge裁判分别注入来自 swarms/prompts/debate_with_judge_prompts.py 的PRO_AGENT_SYSTEM_PROMPT、CON_AGENT_SYSTEM_PROMPT、JUDGE_AGENT_SYSTEM_PROMPT并且这三个内置 Agent 的max_loops1辩论轮次由外层DebateWithJudge.max_loops统一控制避免内部再自循环。方式二Agent 列表Agent List传入一个恰好包含 3 个 Agent 实例的列表顺序为[pro, con, judge]from swarms import Agent, DebateWithJudge # Create your agents agents [pro_agent, con_agent, judge_agent] # Create debate system with agent list debate DebateWithJudge( agentsagents, max_loops3 ) result debate.run(Should AI be regulated?)从源码看该方式校验非常严格列表长度不为 3、或其中任一元素不是Agent实例都会抛出ValueError见 debate_with_judge.py#L180-L196。方式三单独 Agent 参数Individual Parameters分别传入pro_agent、con_agent、judge_agent三个参数三个都必须提供from swarms import Agent, DebateWithJudge # Create Pro, Con, and Judge agents pro_agent Agent(agent_namePro-Agent, ...) con_agent Agent(agent_nameCon-Agent, ...) judge_agent Agent(agent_nameJudge-Agent, ...) # Create debate system debate DebateWithJudge( pro_agentpro_agent, con_agentcon_agent, judge_agentjudge_agent, max_loops3 ) # Run debate result debate.run(Should AI be regulated?)如果三种配置都没有提供有效值无单独参数、无列表、preset_agentsFalse构造函数会抛出ValueError提示需要补齐其中一种配置见 debate_with_judge.py#L219-L224。四、核心参数详解DebateWithJudge.__init__的完整签名debate_with_judge.py#L81-L92如下参数类型默认值说明pro_agentOptional[Agent]None正方 Agent仅在单独参数方式下必填con_agentOptional[Agent]None反方 Agent仅在单独参数方式下必填judge_agentOptional[Agent]None裁判 Agent仅在单独参数方式下必填agentsOptional[List[Agent]]None恰好 3 个 Agent 的列表[pro, con, judge]优先级高于单独参数preset_agentsboolTrue未提供任何 Agent 时自动创建内置正反方与裁判max_loopsint3辩论精炼轮数必须 ≥ 1否则抛ValueErroroutput_typestrstr-all-except-first返回结果的格式见下节verboseboolTrue是否输出详细日志初始化信息、每轮进度、论点摘要等model_namestrgpt-5.4预设 Agent 使用的模型名关于max_loops的取值策略仓库示例给出了实践建议技术架构这类聚焦型议题可设max_loops2用更少的轮次得到更集中的结论见 technical_architecture_debate_example.py商业战略等复杂战略议题可设max_loops4用更多轮次充分迭代见 business_strategy_debate_example.py。五、输出格式output_type详解run()的返回值由output_type决定实际交由 swarms/utils/history_output_formatter.py 中的history_output_formatter()处理history_output_formatter.py#L7-L64。该函数支持的取值包括取值返回内容list会话消息字典列表dict/dictionary会话字典string/str/all会话字符串final/last最后一条消息的内容jsonJSON 字符串yamlYAML 字符串dict-all-except-first除系统提示与首个输入外的全部消息字典list-final最后一条消息列表str-all-except-first除系统提示与首个输入外的全部消息字符串默认值dict-final最后一条消息字典xmlXML 字符串默认的str-all-except-first会剔除系统提示与首条用户输入仅保留三方的辩论正文实现于 conversation.py#L1365-L1378因此run()返回的就是完整的辩论过程若只想要最终精炼结论可改用final/last或dict-final。此外run()内置的Conversation实例可通过debate.conversation访问debate_with_judge.py#L138支持get_final_message_content()等会话查询方法见 conversation.py#L1329-L1338示例中演示的get_conversation_history()/get_final_answer()即对应这种取完整历史 / 取最终答案的访问模式见 business_strategy_debate_example.py。六、预设角色与提示词设计内置三方的系统提示词定义于 swarms/prompts/debate_with_judge_prompts.py体现了一套完整的辩论方法论正方PRO_AGENT_SYSTEM_PROMPT强调用证据、逻辑与说服性修辞立论预先回应可能的反驳并保持专业尊重的语气反方CON_AGENT_SYSTEM_PROMPT要求识别对方论点的弱点、缺陷与潜在负面后果直接回应并反驳正方观点裁判JUDGE_AGENT_SYSTEM_PROMPT按逻辑连贯性、证据质量、说服力、对反驳的回应、整体结构清晰度五项标准客观评估并在最终轮给出清晰结论与理由。同时每个 Agent 在辩论开始前会收到一条角色介绍提示词*_INTRO_PROMPT告知其身份、立场、对手与裁判名称以及议题见_initialize_agentsdebate_with_judge.py#L352-L374。这也解释了测试中三个 Agent 各被调用两次的现象——一次角色介绍、一次正式出论见 tests/telemetry/test_telemetry.py#L2696-L2701。七、实战示例一AI 监管政策辩论完整示例最简的预设 Agent 用法见 examples/multi_agent/debate_examples/debate_with_judge_example.py完整配置了全部参数from swarms import DebateWithJudge debate_system DebateWithJudge( preset_agentsTrue, max_loops3, model_namegpt-5.4, output_typestr-all-except-first, verboseTrue, ) topic ( Should artificial intelligence be regulated by governments? Discuss the balance between innovation and safety. ) result debate_system.run(tasktopic)而 policy_debate_example.py 展示了定制 Agent 的完整形态分别创建支持监管的政策专家Pro-Regulation-Agent、反对过度监管的创新专家Anti-Regulation-Agent与中立政策分析师裁判Policy-Judge-Agent三个 Agent 的system_prompt都明确规定了各自的立场、论据方向与综合目标然后组装进DebateWithJudge运行并打印最终答案。八、实战示例二技术架构辩论与批量处理batched_runtechnical_architecture_debate_example.py 演示了两大进阶能力领域定制正方是微服务拥护者Microservices-Pro反方是单体拥护者Monolith-Pro裁判是资深架构师Architecture-Judge针对架构选型议题做了角色化批量辩论使用batched_run()一次性对多个架构问题分别跑完整场辩论architecture_questions [ Should a startup with 5 developers use microservices or monolithic architecture?, Is serverless architecture better than containerized deployments for event-driven systems?, Should a financial application use SQL or NoSQL databases for transaction processing?, Is event-driven architecture superior to request-response for real-time systems?, ] results architecture_debate.batched_run(architecture_questions)batched_run()的实现见 debate_with_judge.py#L455-L465底层调用通用批处理工具 swarms/structs/execution_utils.py 中的batched_runexecution_utils.py#L15-L121。从该工具源码看它还额外支持max_workers线程并发数默认串行、return_agent_output_dict以任务为键返回字典、return_exceptions异常按任务收集而不中断等选项且无论并发与否结果都保持任务顺序。九、实战示例三商业战略辩论与结构化输出business_strategy_debate_example.py 展示了一个完整的商业战略研判场景正方主张激进扩张Growth-Strategy-Pro反方主张可持续增长Sustainable-Growth-Pro裁判以前 CEO 视角Strategy-Judge综合考量市场条件、公司资源、风险承受力等因素。它演示了用output_typedict获取结构化会话数据便于程序化分析用max_loops4对复杂战略议题做更充分的迭代运行后分别获取完整对话历史与最终精炼答案。十、可观测性与失败传播DebateWithJudge完整接入了仓库的 OpenTelemetry 可观测性体系构造函数由capture_init捕获初始化配置run方法由trace_run(DebateWithJudge.run, ...)埋点见 debate_with_judge.py#L260-L263。仓库测试 tests/telemetry/test_telemetry.py#L2663-L2716 验证了两点关键行为正常运行时产生名为DebateWithJudge.run的 span状态为completed并携带任务输入与输出、组件类型DebateWithJudge、操作类型swarm等属性任一成员 Agent 失败时run()没有内部的 try/except 吞异常逻辑异常会真实向上传播对应 span 标记为error并记录异常事件。这意味着辩论过程中任何一个环节正方、反方或裁判出错调用方都能立即感知便于在编排层做重试或降级处理。十一、在 SwarmRouter 中编排辩论DebateWithJudge还被纳入了仓库的统一编排入口SwarmRouter见 swarms/structs/swarm_router.py#L198-L205。在该工厂中传入swarm_typeDebateWithJudge即可用统一配置创建辩论体系其中 Agent 列表的前两个作为辩手、第三个作为裁判见 swarm_router.py#L268-L280。这使辩论架构可以与SequentialWorkflow、ConcurrentWorkflow、GroupChat、LLMCouncil等其他架构统一接入配置化的工作流。十二、示例文件索引关联文档所在的 examples/multi_agent/debate_examples/ 目录包含以下可直接运行的示例文件说明debate_with_judge_example.py展示全部初始化方式的完整示例预设 Agentpolicy_debate_example.pyAI 监管政策辩论定制三方 Agenttechnical_architecture_debate_example.py技术架构辩论 batched_run批量处理business_strategy_debate_example.py商业战略辩论 对话历史与最终答案访问运行方式为python examples/multi_agent/debate_examples/文件名.py需要按 examples/README.md 的指引完成环境安装与 API Key 配置。小结DebateWithJudge是 swarms 中实现对抗 评审 自精炼闭环的标准辩论架构它通过正反双方的多轮观点交锋与裁判的逐轮综合把开放式议题逐步收敛为经过推理的精炼答案三种 Agent 配置方式覆盖从开箱即用到深度定制的全部需求batched_run让大规模议题批量辩论成为可能而完整的可观测性与失败传播语义则保证了它在企业级编排中的可靠性。【免费下载链接】swarmsThe Enterprise-Grade Multi-Agent Orchestration Framework. Website: https://swarms.ai项目地址: https://gitcode.com/GitHub_Trending/swar/swarms创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考