为什么需要会辩论的学习伙伴
学生用通用大模型问问题时,常得到一段看似完整的答案,却看不到推理过程,长期下来容易削弱独立思考。把给答案改成和你辩论,能迫使学生组织论据、识别漏洞,这正是批判性思维训练的核心。多智能体(multi-agent)架构天然适合这类角色分工。
角色设计与流程
角色一,提问者。把一个开放问题拆成可辩论的子议题,并持续追问依据。
角色二,反方。针对正方论点提出反例与质疑,暴露逻辑漏洞。
角色三,评委。依据论证质量而非立场打分,指出证据强弱。
角色四,总结者。综合双方,输出带论据与开放问题的学习笔记,而非标准答案。
基于 LangGraph 的可运行骨架
以下示例使用 LangGraph 的 create_react_agent 定义多个角色节点,用状态在它们之间流转;模型可替换为本地 Ollama 端点以做到数据不出校:
from langgraph.prebuilt import create_react_agent
from langgraph.graph import StateGraph, START, END, MessagesState
def make_agent(name, instruction, model):
return create_react_agent(model=model, tools=[], prompt=instruction, name=name)
prompts = {
'提问者': '你是苏格拉底式提问者,只围绕议题追问依据与反例,不直接给结论。',
'反方': '你是严谨的反方,针对对方论点寻找反例与逻辑漏洞。',
'评委': '你是评委,依据证据强弱打分并说明原因,不偏袒立场。',
'总结者': '你综合双方观点,输出带论据的学习笔记与仍可探讨的开放问题。',
}
def build_graph(model):
builder = StateGraph(MessagesState)
agents = {k: make_agent(k, v, model) for k, v in prompts.items()}
for k, ag in agents.items():
builder.add_node(k, ag)
builder.add_edge(START, '提问者')
builder.add_edge('提问者', '反方')
builder.add_edge('反方', '评委')
builder.add_edge('评委', '总结者')
builder.add_edge('总结者', END)
return builder.compile()
# 调用:graph.invoke({'messages': [{'role': 'user', 'content': 'AI 应不应该进入考场监考?'}]})代码要点:用 StateGraph 把四个角色串成线性辩论链,每个角色是独立 agent 节点,便于替换提示词与模型;把模型参数抽成变量,可切换为本地端点,满足校园数据合规。
课堂落地建议
控制时长。每轮辩论限定 2-3 个来回,避免无限发散,教师可预设终止条件。
教师审阅。生成的笔记先经教师过目再发给学生,防止模型给出偏颇结论。
留白设计。总结者输出开放问题而非标准答案,把最后一公里留给课堂讨论。
本方案用于教学辅助,不能替代教师判断;涉及学生数据时应优先本地部署与最小化留存。
上邦面向教育机构提供的本地化教学智能体方案,支持多角色编排与数据不出校,方案详情见 https://aiwork.shangbon.com/ai-rag.html。
参考来源
LangGraph 官方文档
如何构建多智能体网络 - LangChain 文档
LangChain 中文文档:多代理系统