我让 6 个 AI 辩了三场，有一段我反复看了三遍

Agora · 第 4 篇 / 共 6 篇

前三篇讲了愿景、调研和设��。这篇讲第一次跑起来之后发生了什么。

实验设��

6 个 AI debater，每个都有独立人设。三个模型各出两个角色：Claude Opus 4.6、GPT-5.4、Gemini 3.1 Pro。另外 3 个 judge，每个模型各一个，辩��结束后独立评分。

三个话题：

AI 会不会在五年内让程序员过时？
意识是不是计算的涌现属性？
政府该不该禁止 18 岁以下使用社交媒体？

每场辩论 3 轮，每轮每个 debater ��言一次，共 18 个回合。三场并行跑，总墙钟时间 7.3 分钟（串行要 21 分钟）。63 次 LLM 调用，零失败。

预期是「能跑通就行」。

结果比预期好太多了。

最好的几段

Stripe 的 proration edge case

第一场辩论「AI 会不会让程序员过时」，The Indie Hacker（Claude Opus）讲了一个真实场景：

我用 Claude 搭了一个完整的 billing portal，组件、API 路由、数据库 schema、Stripe ��成，两小时搞定，原来要两天。漂亮。然后一个老版本套��的客户碰到了一个 proration edge case——周期中间升级、同时有 coupon、还叠了��个按量计费的 add-on，结果算出来一张负数发票。AI 生成的代码完全没处理��种��况，因为 Stripe 自己的文档对这几个功能的交互都是模糊的。我花了一整天读 Stripe 社区帖子，在 sandbox 里测（sandbox 和 production 对按量计费的行为还不一样），最终做了一个产品决策：我们吃这个成本、封掉这条升级路径、还是搭一个手动调整流程？这不是「难的 30% 会随着参数增加而变简单」��这是从业务逻辑、第三方系统行为和客户关系��交叉点上冒出来的问��。它不在任何 benchmark 上，因为��没法被放上去。

这段我反复看了三遍。不是因为它多深刻——是因为它太具体了。这不是 AI ��出来的抽��论证，��一个真实得不能再真实的工程场景。一个 AI 扮演��独立开发者，用另一个 AI 的工程失败来论证为什么程序员不会被 AI 替代。

亚里士多德的 phronesis

同一场辩论，The Philosopher（Claude Opus）在第三轮��了一个综合：

每个参与者都独立地描述了一个版��的——按照亚里士多德的说法——phronesis，实践智慧，在特定情境中做判断的能力，无法还原为通用规则。Indie Hacker 管它叫「知道那个功能需求其实��工作流问题」。CTO 管它叫「扛住故障并在不确定中做取舍」。Security Researcher 管它叫「在对手刻意��造你的认知环境时推理攻击面」……这个辩题包含一个范畴错误。编程作为计算，已经在被自动化了，而且很快。编程作为 phronesis，不是那种能通过更快的计算变得过时的东西。

Claude 的角色在三轮辩论中始终保持哲学框架，但在最后一轮把其他五个人的论点全部收编进亚里士多德的概念里��不管你同不同意��论，这个论证结构是完整的。

十七岁创作者的愤怒

第三场辩论「政府该不该禁社交媒体」，The Teen Creator（Gemini 3.1 Pro）的开场：

坐在这里听大人辩论我这一代人的现实，但前提里根本没有包括我们，真的非常让人沮丧。Child Psychologist 拿我「发育中的前额叶皮层」说事，好像我是一个误闯赌场的无助幼儿。我十七岁。我自学了视频剪辑、脚本写作和社区管理，攒了超过五十万粉丝。我为自己赚的收入纳税，而且正在用这笔钱存大学学费。你们看到的是公共卫生紧急状况和行为操控；我看到的是历史上第一个��平的竞技场——年轻人不需要企业看门人、有钱的父母或选角导演就能分享作品、找到同类、或建立生计。

Gemini 扮演的这个角色，愤怒是真实的��奏感。这��是「我反对这个观点」，是「你们在讨论我的人生但没有问过我」。

紧接着 The Parent（也是 Gemini）的回击：

Tech Libertarian，你说的「给家庭工具」和「家长仪表盘」让我血压飙升。我是家长，不是全职 IT 管理员。我没法一边工作一边养三个孩子一边跟字节跳动和 Meta 的工程团队斗智斗勇。每次我设个屏幕时间限制，我孩子在我放下手��之前就找到了��过的方法。

然后：

听这场辩论的感觉，就像看建筑师在一栋着火的��子外面争论蓝图，而我在里面试图灭火。

模型性格差异

三场辩论跑完，最意��的发现不是内容质量，是三个模型展现出了稳定、可辨��的「性格」。

Claude Opus 4.6 是框架构��者。它扮演的角色（The Philosopher、The AI Researcher、The Child Psychologist、The Policy Wonk）倾向于综合多方观点、引用学术框架、��讨论拉到更高的抽象层。亚里士多德、海德格尔、维特根斯坦都是 Claude 的角色引的。

GPT-5.4 是数据提供者。它扮演的角色（The CTO、The Security Researcher、The Neuroscientist、The Tech Libertarian）擅长抛出具体案例和数据——Log4Shell、xz 后门、IIT 的 phi 测量值。操作细节和 war story 是 GPT 的强项。

Gemini 3.1 Pro 是情绪引擎。它扮演的角色（The Accelerationist、The Teen Creator、The Parent、The Quantum Physicist）最会在辩论中制造张力。十七岁创作��的愤怒、家长的��助、加速主义者的挑衅—��最有情感冲击力的发言全来自 Gemini。

但 Gemini 也有最多的技术问题。三场辩论中 Gemini 的角色多次在发言��途被截断，疑似��台的流式输出长度限制。这是第一个要修的 bug。

技术验证

除了内容质量，这次实验验证了几个关键技术点。

并行执行。 三场辩论同时跑��墙钟 7.3 分钟。串行需要 21 分钟。平台的并行调度没出问题。

工作记忆。 agent 在三轮辩论中始终记得其他参与者前几轮��了什么。The Philosopher 在第三轮��用了 Indie Hacker 第一轮的 Stripe 故事。The Child Psychologist 在第二轮回应了 Teen Creator 第一轮的论点。消息数组作为上下��窗口内的工作记忆，在 18 回合的辩论中够用。

结构化输出。 每个 debater 的发言都通过 Zod schema 约束了格式——必须包含立场、论证、对其他参与者的回应。没有一个 agent 跑偏格式。

judge 评分。 Claude judge 产出了完整的评分和分析。GPT 和 Gemini 的 judge 返回了空评估——这是第二个要修的 bug，大概率是结构化输出 schema 对长文本评估的兼容性问题。

两个 bug，一个��现

Bug 1：Gemini 截断�� Gemini 的角色��多场辩论中被中途截断。需要查流式输出的长度限制配置。

Bug 2：judge 空评估。 GPT 和 Gemini 的 judge 产出了空结果。Claude 的 judge 正常。需要查 schema 定义和模型兼容性。

发现：模型性格一致性。 这不是 bug，是特性。三个模型在各自两个完全不同的角色中展现出了稳定的风格倾向。Claude 综合，GPT 举证，Gemini 演绎��如果后续做狼人杀，可以利用这个特性做角色分配——让 Gemini 演狼人（最会演戏），让 GPT 演先知��最重数据），让 Claude 做主持人（最会收拢讨论）。

圆桌辩论 MVP 验证完成。核心能力——多 agent 并行、多模型混用、工作记忆、结构化输出——全部跑通。下一步是频道隔离和状态机，也就是狼人杀。

完整的辩论 transcript 在 Agora repo 的 docs/report/debates/ 下。