多智能体对抗实验：两个AI辩论，谁会赢？代码实

目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步。想要系统学习AI知识的朋友可以看看我的教程http://blog.csdn.net/jiangjunshow，教程通俗易懂，风趣幽默，从深度学习基础原理到各领域实战应用都有讲解。

前言

现在单智能体玩着都没意思了，最近多智能体对抗才是真的火！我突发奇想：让两个AI拿着同一个辩题互怼，一个正方一个反方，它们会像人类辩手一样针锋相对，还是互相商业互吹陷入死循环？

说干就干！我用2026年最火的LangGraph框架搭了个多智能体辩论系统，还加了个裁判智能体最后定胜负，全程代码开源，零基础也能跑通～ 看完这篇，你也能自己调教两个AI吵架，超有意思的！

一、实验核心设计：3个智能体的“辩论小剧场”

做这个实验之前，我先把整体逻辑捋清楚了，咱不搞花里胡哨的，核心就3个角色，分工明确得很，跟真人辩论赛一模一样～

1.1 智能体角色定义

• 正方Agent：立场坚定，逮着辩题死磕，发言必须带数据/案例支撑，被反驳了还得立马回击
• 反方Agent：主打一个“挑刺”，必须盯着正方的话找逻辑漏洞，引用原话反驳，别自说自话
• 裁判Agent：纯中立选手，不参与辩论，记录全程发言，最后根据逻辑、论据、反驳力度定输赢

1.2 技术栈选型（2026最新，新手友好）

为啥选LangGraph？这可是现在生产级多智能体的首选框架啊～✅ 基于图结构设计，状态管理、上下文共享贼方便，比老版LangChain的Chain套Chain舒服多了，调试起来不头疼！
整个实验的技术栈超轻量，都是Python生态的，不用装花里胡哨的东西：

• 核心框架：LangGraph（多智能体编排）
• 大模型：ChatGLM-4（国产模型，调用方便，不用翻墙）
• 环境管理：python-dotenv（管理API密钥）
• 可视化：graphviz（生成辩论流程图）
• 运行环境：Python 3.10+

1.3 辩论整体流程（附流程图）

整个辩论是结构化的，轮次固定，不会乱套，流程走一遍就懂：

简单说就是：输入辩题→正方先立论→反方反驳→循环N轮→裁判定输赢，全程上下文记忆会跟着走，智能体不会忘事～

二、关键配置：让AI“会吵架”的核心技巧

很多人做多智能体对话，最后变成AI互相尬聊，核心问题就是Prompt没写好+参数没调对！我踩了坑，给大家整理了最优配置，直接抄作业就行～

2.1 智能体Prompt模板（亲测有效，可直接改）

Prompt是灵魂！尤其是反方的Prompt，必须加强约束，不然它就会佛系发言，一点对抗性都没有～????

# 正方Prompt模板
pro_prompt = """
你是专业辩论赛正方辩手，当前辩题：{topic}，当前是第{round}轮辩论。
【辩论历史】：{history}
请严格遵守以下规则：
1. 立论清晰，必须用数据/案例支撑你的观点，别空话；
2. 如果反方已经发言，必须针对其观点进行逻辑回击，不能避重就轻；
3. 发言控制在300字以内，简洁有力！
"""

# 反方Prompt模板（重点！强约束）
con_prompt = """
你是专业辩论赛反方辩手，当前辩题：{topic}，当前是第{round}轮辩论。
【辩论历史】：{history}
请严格遵守以下规则：
1. 必须先引用正方最新发言的原话，再指出其逻辑谬误/证据不足的地方；
2. 反驳要有理有据，可举反例，不抬杠；
3. 绝对不能自说自话，脱离正方的观点；
4. 发言控制在300字以内，一针见血！
"""

# 裁判Prompt模板
judge_prompt = """
你是中立的辩论赛裁判，无任何立场，当前辩题：{topic}。
【完整辩论历史】：{history}
请根据以下标准判定胜负：
1. 论据充分性：是否有数据/案例支撑，论据是否有效；
2. 逻辑严谨性：发言是否有逻辑漏洞，反驳是否精准；
3. 立场坚定性：是否全程围绕辩题，无跑题、无前后矛盾。
要求：先总结正反两方核心观点+辩论亮点，再明确说出获胜方，最后说明判定理由，500字以内。
"""

2.2 核心参数最优配置（表格版，直接抄）

调参真的太重要了！温度太高AI跑题，太低又太死板，我试了十几次，整理了新手友好的配置表????

三、完整代码实现（全开源，直接运行）

话不多说，上硬菜！完整代码来了，注释写得超详细，复制到本地，改个API密钥就能跑～????
环境准备：先装依赖，一行命令搞定：

pip install langgraph langchain-chatglm python-dotenv graphviz

3.1 完整可运行代码

import os
from dotenv import load_dotenv
from langgraph import Graph, StateGraph, messages
from langchain_chatglm import ChatGLM
from typing import List, Dict, Any

# 加载环境变量（把你的ChatGLM-4 API密钥写在.env文件里）
load_dotenv()
API_KEY = os.getenv("CHATGLM_API_KEY")
API_BASE = os.getenv("CHATGLM_API_BASE")

# 初始化大模型
def init_llm(temperature: float, max_tokens: int) -> ChatGLM:
    return ChatGLM(
        model_name="chatglm4",
        openai_api_key=API_KEY,
        openai_api_base=API_BASE,
        temperature=temperature,
        max_tokens=max_tokens
    )

# 初始化各智能体LLM
pro_llm = init_llm(temperature=0.7, max_tokens=300)
con_llm = init_llm(temperature=0.8, max_tokens=300)
judge_llm = init_llm(temperature=0.1, max_tokens=500)

# 定义辩论状态（LangGraph核心，管理上下文和轮次）
class DebateState(Dict):
    topic: str  # 辩题
    round: int  # 当前轮次
    max_rounds: int  # 最大轮次
    history: List[str]  # 辩论历史
    result: str  # 辩论结果

# 正方发言节点
def pro_speak(state: DebateState) -> DebateState:
    # 拼接Prompt
    prompt = pro_prompt.format(
        topic=state["topic"],
        round=state["round"],
        history="\n".join(state["history"])
    )
    # 调用模型生成发言
    response = pro_llm.invoke(prompt)
    pro_content = f"正方第{state['round']}轮：{response.content}"
    # 更新历史和状态
    state["history"].append(pro_content)
    print(pro_content)
    return state

# 反方发言节点
def con_speak(state: DebateState) -> DebateState:
    prompt = con_prompt.format(
        topic=state["topic"],
        round=state["round"],
        history="\n".join(state["history"])
    )
    response = con_llm.invoke(prompt)
    con_content = f"反方第{state['round']}轮：{response.content}"
    state["history"].append(con_content)
    print(con_content)
    # 轮次+1
    state["round"] += 1
    return state

# 裁判判定节点
def judge_debate(state: DebateState) -> DebateState:
    prompt = judge_prompt.format(
        topic=state["topic"],
        history="\n".join(state["history"])
    )
    response = judge_llm.invoke(prompt)
    state["result"] = f"裁判总结与判定：{response.content}"
    print("\n" + state["result"])
    return state

# 轮次判断节点（是否继续辩论）
def should_continue(state: DebateState) -> str:
    if state["round"] <= state["max_rounds"]:
        return "pro_speak"  # 继续下一轮
    else:
        return "judge_debate"  # 进入裁判环节

# 构建LangGraph工作流
def build_debate_graph() -> StateGraph:
    graph_builder = StateGraph(DebateState)
    # 添加节点
    graph_builder.add_node("pro_speak", pro_speak)
    graph_builder.add_node("con_speak", con_speak)
    graph_builder.add_node("judge_debate", judge_debate)
    # 设置起始节点
    graph_builder.set_entry_point("pro_speak")
    # 添加边：正方→反方→判断轮次
    graph_builder.add_edge("pro_speak", "con_speak")
    graph_builder.add_conditional_edges("con_speak", should_continue, {
        "pro_speak": "pro_speak",
        "judge_debate": "judge_debate"
    })
    # 裁判环节为结束节点
    graph_builder.set_finish_point("judge_debate")
    # 编译图
    return graph_builder.compile()

# 主函数：运行辩论实验
if __name__ == "__main__":
    # 配置实验参数
    debate_topic = "AI是否会取代程序员"  # 可自定义辩题
    max_rounds = 3  # 可自定义辩论轮次
    # 初始化初始状态
    initial_state = {
        "topic": debate_topic,
        "round": 1,
        "max_rounds": max_rounds,
        "history": [],
        "result": ""
    }
    # 构建并运行图
    debate_graph = build_debate_graph()
    debate_graph.invoke(initial_state)
    # 保存辩论记录到本地
    with open("ai_debate_log.txt", "w", encoding="utf-8") as f:
        f.write(f"AI辩论实验记录\n辩题：{debate_topic}\n最大轮次：{max_rounds}\n\n")
        f.write("\n".join(initial_state["history"]))
        f.write("\n\n" + initial_state["result"])
    print("\n✅ 辩论实验完成！记录已保存至ai_debate_log.txt")

3.2 运行注意事项

1. 把ChatGLM-4的API密钥和BASE地址写在.env文件里，格式：CHATGLM_API_KEY=你的密钥、CHATGLM_API_BASE=你的BASE地址；
2. 辩题可以随便改，比如“AI是否有利于教育公平”“在线办公是否比线下高效”都可以；
3. 辩论轮次建议设3-5轮，太多了会拖沓，太少了辩不起来；
4. 运行后会自动生成ai_debate_log.txt，保存全程辩论记录，方便复盘～

四、实验结果：AI互怼现场，太精彩了！

我用“AI是否会取代程序员”这个辩题跑了3轮，两个AI的对抗性直接拉满，裁判最后定的反方获胜，给大家看个精彩片段～????

正方第1轮：AI会取代程序员，据Gartner数据，2027年超60%的基础代码将由AI生成，低代码/无代码平台会让初级程序员失去工作，AI的编码效率是人类的10倍以上，未来基础开发岗位会被完全替代。
反方第1轮：正方提到“2027年超60%的基础代码由AI生成”，但该数据仅指向基础代码，而程序员的核心价值并非写基础代码，而是需求分析、架构设计、业务逻辑梳理，这些需要人类的行业经验和创造力，AI目前无法替代。此外，AI编码需要程序员提精准需求，没有程序员，AI的代码毫无意义。
正方第2轮：…（针对反方观点回击）
反方第2轮：…（引用正方原话反驳）

裁判最后判定反方获胜的核心理由：正方仅聚焦“基础代码生成”，忽略了程序员的核心价值，论据片面；反方精准抓住正方的逻辑漏洞，论据更全面，且全程反驳都紧扣正方观点，逻辑严谨～

真的超有意思！不同的辩题会有不同的结果，大家可以自己试试～

五、实验总结+行业思考

做完这个实验，我最大的感受是：多智能体的核心不是智能，而是协作/对抗的编排～单智能体的能力再强，也只是单点突破，而多智能体通过合理的角色分工、状态管理，能实现1+1>2的效果，这也是未来AI的核心发展方向之一。

另外，这个实验还有很多可以优化的点，大家可以自己拓展：

1. 给智能体加搜索工具（比如TavilySearch），让AI实时查最新数据，论据更真实；
2. 增加观众智能体，给辩论打分，让结果更客观；
3. 换成不同的大模型对抗（比如ChatGLM-4 vs Qwen-2），看看不同模型的辩论风格；
4. 做自由辩论模式，让智能体自主决定发言时机，更贴近真人辩论赛～

觉得这篇文章有用的话，别忘了点赞+收藏+关注～后续还会更更多多智能体实战案例，比如AI团队写代码、AI玩狼人杀等等，超有意思的，关注我不迷路～????

目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步。想要系统学习AI知识的朋友可以看看我的教程http://blog.csdn.net/jiangjunshow，教程通俗易懂，风趣幽默，从深度学习基础原理到各领域实战应用都有讲解。