练习 1：让三个 Agent 一起辩论¶

你会做出三个角色：PRO 说“赞成”、CON 说“反对”，Judge 看完两边再选一边。

对应 Stage 7 — Agent Production Engineering：Harness、Loop 与 Graph 练习 1。

🎯 学习目标¶

说清楚 Multi-Agent：多个 Agent 分工完成同一件事。
让 PRO 与 CON 各自作答，避免一开始就互相带答案。
用严格格式读 Judge 结果；格式错了就停止，不偷偷猜。

先跑不花模型费的测试¶

在这个文件夹打开 PowerShell，直接复制：

py -3.11 -m venv .venv
.\.venv\Scripts\python.exe -m pip install -r requirements.txt
.\.venv\Scripts\python.exe test.py
.\.venv\Scripts\python.exe test_anthropic.py

看到两份 🎉，就代表三次调用、空回复检查和 Judge 格式都通过。测试使用假回复，不会连接到模型。

Path A：用 Ollama 实际辩论

安装 Ollama 后，先准备模型：

ollama pull qwen3.5:4b
ollama serve

另开一个 PowerShell：

.\.venv\Scripts\python.exe starter.py

Ollama 不收模型 API 费，但下载时间、电力与电脑硬件仍有成本。模型较慢时，请等它完成，不要用固定秒数判断失败。

Path B：用 Anthropic 比较结果与预算

$env:ANTHROPIC_API_KEY = "贴上你的金钥"
$env:MODEL = "claude-haiku-4-5-20251001"
.\.venv\Scripts\python.exe starter_anthropic.py

这题会调用三次模型。Haiku 4.5 的单价是 input $1 / 1M tokens、output $5 / 1M tokens：

估算费用 = (input_tokens × $1 / 1M) + (output_tokens × $5 / 1M)

这是估算公式，不是帐单保证。第一次练习前，可在 Anthropic Console 把供应商 spend limit 设成 $1；完成后移除 PowerShell 内的金钥。

三个重要词¶

PRO / CON：同一题的赞成方与反对方。
Judge：读完两边答案，再选出较符合题目与证据的一边。
Output contract：模型必须照约定格式回答。这题只接受 WINNER=PRO. 理由 或 WINNER=CON. 理由。

PRO 与 CON 都只看原题。Judge 才会看到原题和两份论点：

题目 ─┬─> PRO ─┐
      └─> CON ─┴─> Judge ─> WINNER + 理由

这只能提供第二个视角，不保证答案正确。医疗、法律或高风险决策仍要交给合格的人检查。

只改一件事¶

把 q 换成你熟悉的问题，例如“小团队要不要先用 Agent framework？”再跑一次。看 Judge 的理由是否真的引用两边论点。

成功检查¶

PRO 与 CON 都不是空白。
Judge 只输出一个 Winner，并附上理由。
乱回 Maybe WINNER=PRO 时，测试会拒绝它。
你知道多 Agent 是分工方法，不是正确答案保证。

程序怎么走、常见问题与延伸

llm_call() 先拒绝空字符串。
debate() 分别取得 PRO、CON、Judge 三份文字。
parse_winner() 用 fullmatch() 检查整份 Judge 回复，不做子字符串猜测。

常见问题：

两边说得太像：把角色、要保护的目标与限制写得更明确。
Judge 格式错误：保留错误并重试一次，不要默默选一边。
想减少顺序偏差：正式评测时交换 PRO／CON 显示顺序，再比较结果。

延伸方向：把两边改成“工程师／用户”、加入人工批准，或把多个题目交给 promptfoo 批次评测。

📚 必读与学习资源¶

⭐⭐⭐⭐⭐ datawhalechina/hello-agents：章节式中文 Agent 教材，适合补完整背景。
⭐⭐⭐⭐⭐ Anthropic：Building effective agents：先判断单 Agent 是否已足够，再增加协作。
⭐⭐⭐⭐ Microsoft AutoGen：想看完整 multi-agent framework 时再进入。

完整清单见 Stage 7 精选 Projects。

模型、价格、套件与连结查核：2026-08-28 UTC。