本次查询：Multi-Agent Debate
中文解释：多智能体辩论
常见场景：需要高准确性 / 低幻觉的复杂推理任务 / 如法律分析 / 医疗诊断 / 事实核查等
一句话解释
Multi-Agent Debate是指让多个AI模型（或同一模型的不同角色实例）就同一问题展开辩论，通过相互质疑、反驳、补充，最终达成更可靠、更少幻觉的答案。
它模拟人类辩论赛，裁判（或共识机制）综合各方观点输出结论，能有效抑制单一模型的自圆其说倾向。
为什么会被关注
大型语言模型存在“幻觉”和“自信输出错误”问题，传统方法（如提示工程）难以彻底解决。Multi-Agent Debate通过引入对抗性推理，让AI互相审查对方的逻辑漏洞，大幅降低事实性错误。
该技术能够在无需额外训练、不依赖外部知识库的情况下提升输出质量，成本低、易部署，因此迅速成为AI对齐与可靠性研究的热点方向。
核心逻辑
设计多个具有不同角色（如正方、反方、裁判）的AI智能体，每个智能体独立生成初始答案。随后进入多轮辩论：智能体阅读他人观点并针对弱点提出反驳，裁判根据辩论过程更新评分。
辩论轮次一般设定为2-5轮，通过投票或加权聚合得到最终答案。关键在于智能体需具备推理、批判和生成反驳的能力，通常由GPT-4等强模型担任，或对同一模型设置不同温度参数。
常见场景
在事实核查中，让多个AI智能体分别扮演支持方和反对方，对某条新闻的真实性进行辩论，最终输出证据链更完整的结论，可用于新闻平台自动标注。
在复杂数学谜题或代码生成任务中，Debate模式能暴露单一模型的计算错误，通过互相验证提升正确率。例如两个Agent各自写代码并审查对方代码的边界条件。
容易混淆的点
常被误认为“多轮对话”或“自问自答”。区别在于Multi-Agent Debate必须存在对抗或角色分工，且智能体之间的交互以反驳和质疑为主要驱动，而非单纯的顺序追问。
另一个混淆点是“集成学习”（Ensemble）。集成学习通常合并多个模型的独立结果，不涉及交互。而辩论要求智能体实时感知对方论点并调整自己的立场，具有动态博弈特性。