我让 6 个 AI 辩了三场，三个模型性格完全不一样
Agora · 第 4 篇 / 共 7 篇
前三篇讲了愿景、调研和设计，都还是纸面上的东西。这篇讲第一次真的跑起来之后发生了什么。
实验怎么设的
先说 setup。6 个 AI debater，每个都有自己独立的人设，三个模型各出两个角色：Claude Opus 4.6、GPT-5.4、Gemini 3.1 Pro。judge 另外配了 3 个，每个模型各一个，辩论结束后独立评分，互相不通气。
话题挑了三个：
- 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 发言一次，一场就是 18 个回合。三场并行跑，wall clock 总共 7.3 分钟，串行的话要 21 分钟。63 次 LLM 调用，零失败。
内容质量比我预期好太多，有几段我是真的当内容在读，不是当 log 在扫——我本来对这个 MVP 的要求就是能跑通、格式别乱掉，及格就行。
最好看的几段
Stripe 的 proration edge case
第一场「AI 会不会让程序员过时」，The Indie Hacker（Claude Opus 扮的）讲了一个场景：
我用 Claude 搭了一个完整的 billing portal，组件、API 路由、数据库 schema、Stripe 集成，两小时搞定，原来要两天。漂亮。然后一个老版本套餐的客户碰到了一个 proration edge case——周期中间升级、同时有 coupon、还叠了两个按量计费的 add-on，结果算出来一张负数发票。AI 生成的代码完全没处理这种情况，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的交叉点上冒出来的问题。它不在任何 benchmark 上，因为它没法被放上去。
这段我反复看了三遍。倒不是论点多深刻，是它太具体了：周期中间升级、叠 coupon、叠按量计费 add-on、算出负数发票，连 sandbox 和 production 行为不一致这种细节都带上了。做过 Stripe 集成的人一看就知道这种坑是真的存在的。而且这段是一个 AI 扮的独立开发者讲的，它拿另一个 AI 的工程失败当论据，去论证程序员不会被 AI 替代，想想还挺好玩的。
亚里士多德的 phronesis
同一场，The Philosopher（也是 Claude Opus）第三轮收束的时候是这么讲的：
每个参与者都独立地描述了一个版本的——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是工作流问题」。CTO 管它叫「扛住故障并在不确定中做取舍」。Security Researcher 管它叫「在对手刻意扭曲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 这个角色三轮都稳在哲学框架里没掉出来，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去。你可以不同意结论，但这个论证结构是完整的。
十七岁创作者
第三场「政府该不该禁社交媒体」，The Teen Creator（Gemini 3.1 Pro）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公平的竞技场——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 演这个角色，愤怒的点抓得很准：它没有停在「我反对这个观点」，它说的是你们讨论的是我的人生，但前提里根本没有我。这个愤怒是有真实感的。
紧接着 The Parent（也是 Gemini）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，我孩子在我放下手机之前就找到了绕过的办法。
后面还有一句：
听这场辩论的感觉，就像看建筑师在一栋着火的房子外面争论蓝图，而我在里面试图灭火。
三个模型的性格不一样，而且很稳定
三场跑完还有个挺意外的发现：三个模型各自有很稳定、很好认的「性格」，换了角色也认得出来。
Claude Opus 4.6 喜欢搭框架。它扮的角色——The Philosopher、The AI Researcher、The Child Psychologist、The Policy Wonk——都倾向于把多方观点综合起来，引学术框架，把讨论往更高的抽象层拉。亚里士多德、海德格尔、维特根斯坦，全是 Claude 的角色引的。
GPT-5.4 走的是摆数据的路子。The CTO、The Security Researcher、The Neuroscientist、The Tech Libertarian，擅长抛具体案例和数字：Log4Shell、xz 后门、IIT 的 phi 测量值。操作细节和 war story 基本都出自 GPT。
Gemini 3.1 Pro 最会带情绪。The Accelerationist、The Teen Creator、The Parent、The Quantum Physicist，最会在辩论里制造张力：十七岁创作者的愤怒、家长的无助、加速主义者的挑衅，最有情感冲击力的发言全来自 Gemini。
顺便说，Gemini 的技术问题也最多：好几次发言讲到一半被截断，我怀疑是平台流式输出的长度限制。这是第一个要修的 bug。
技术上验证了什么
内容之外，这次实验本来的目的是验证几个技术点，挨个说：
- 并行执行。三场同时跑，wall clock 7.3 分钟，串行要 21 分钟。平台的并行调度没出问题。
- working memory。agent 在三轮里一直记得别人前几轮说过什么：The Philosopher 第三轮引用了 Indie Hacker 第一轮的 Stripe 故事，The Child Psychologist 第二轮回应了 Teen Creator 第一轮的论点。实现上就是拿消息数组当 context 窗口内的 working memory，18 个回合完全够用。
- structured output。每个 debater 的发言都用 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。这块只跑通了一部分：Claude 的 judge 产出了完整的评分和分析，GPT 和 Gemini 的 judge 返回的是空评估。
要修的和要留的
要修的就两个：
- Gemini 中途截断。去查流式输出的长度限制配置。
- GPT 和 Gemini 的 judge 空评估。Claude 的 judge 是正常的，所以大概率是 structured output 的 schema 对长文本评估的兼容性问题，去查 schema 定义和模型兼容性。
要留的是模型性格这件事。三个模型在各自两个完全不同的角色里，风格倾向都很稳定：Claude 喜欢综合，GPT 张口就是数据，Gemini 最会演。这个不用修，反而可以直接拿来用——后面做狼人杀的时候，角色分配照着这个来就行：狼人肯定给 Gemini，它最会演戏。先知让 GPT 来，反正它凡事都要摆证据。Claude 就做主持人，收拢讨论这活它做得最好。
反正圆桌辩论这个 MVP 算是验证完了，多 agent 并行、多模型混用、working memory、structured output，核心能力全部跑通。下一步做狼人杀，先要把频道隔离和状态机搭起来。
完整的辩论 transcript 在 Agora repo 的 docs/report/debates/ 下，感兴趣可以自己去翻。