<!-- title: 多Agent对抗辩论六栈：从法庭仿真到红紫对抗 -->

## 概述

2025-2026年，多Agent系统的研究重心正从"协作完成共同任务"转向一种更反直觉的范式——**对抗辩论**。核心假设：让多个Agent以结构化辩论的方式相互质疑、攻击、反驳，反而比"友好协作"更能逼近真相。三菱电机率先将对抗辩论落地到制造业专家级决策；PROClaim把事实核查重构为法庭审判流程；CodeForge用对抗推理捕获代码认知漏洞；Nature发表研究揭示单个说服型恶意Agent即可劫持整个辩论系统。本篇从六个维度拆解对抗辩论栈——从架构原理到攻防实战，从Token经济学到产业变现。

---

## 一、六栈总览：对抗辩论的全景地图

对抗辩论不是"吵架"，而是一套有严格规则、角色分配、证据约束和终止条件的系统工程。与传统的协作式多Agent系统相比，对抗辩论的核心差异在于：**Agent的利益函数被刻意设计为互斥甚至对立**。

| 栈层 | 功能 | 代表框架/研究 |
|------|------|--------------|
| **L1 角色引擎** | 定义对抗角色（控方/辩方/法官/陪审团） | PROClaim, AgenticSimLaw |
| **L2 证据管线** | 渐进式RAG检索、证据链管理 | PROClaim Progressive RAG |
| **L3 辩论协议** | 回合制/自由辩论/交叉质询规则 | MAD, DMAD, iMAD |
| **L4 裁决机制** | 投票/加权评分/稳定性检测 | Multi-Agent Judging, NeurIPS 2025 |
| **L5 对抗安全** | 防御说服型恶意Agent注入 | M-Spoiler, Nature 2026 |
| **L6 Token经济** | 稀疏化策略降低辩论开销 | S²-MAD, iMAD |

```
┌─────────────────────────────────────────────────┐
│              L6 Token经济学层                     │
│   稀疏化 · 选择性辩论 · 自适应轮次控制            │
├─────────────────────────────────────────────────┤
│              L5 对抗安全层                        │
│   恶意Agent检测 · 说服防线 · 拜占庭容错           │
├─────────────────────────────────────────────────┤
│              L4 裁决机制层                        │
│   稳定性检测 · 加权投票 · 人类仲裁               │
├─────────────────────────────────────────────────┤
│              L3 辩论协议层                        │
│   回合制 · 自由辩论 · 交叉质询 · 角色轮换        │
├─────────────────────────────────────────────────┤
│              L2 证据管线层                        │
│   渐进式RAG · 证据链验证 · 反向检索              │
├─────────────────────────────────────────────────┤
│              L1 角色引擎层                        │
│   控方/辩方/法官 · 角色切换 · 角色涌现           │
└─────────────────────────────────────────────────┘
```

---

## 二、L1 角色引擎：从固定角色到角色轮换

### 2.1 三菱电机：制造业首个对抗辩论系统

2026年1月，三菱电机在其Maisart AI项目下发布了制造业首个多Agent对抗辩论AI系统。该系统不是简单的"两个Agent吵一架"，而是设计了完整的专家级决策流程：

**架构原理**：系统部署多个专业化Agent，每个Agent被赋予不同的决策偏好和风险评估框架。当面临复杂决策（如产线异常处理、质量风险预判）时，Agent之间自动发起结构化辩论，通过证据交换和逻辑对抗，最终输出带有置信度的决策建议。

**关键创新**：
- 每个Agent维护独立的"世界观"和证据权重
- 辩论过程可追溯，决策理由可审计——这在制造业合规场景至关重要
- 系统不追求"共识"，而是让分歧显性化，供人类专家做最终裁决

```python
# 三菱对抗辩论核心流程（概念伪码）
class AdversarialDebateEngine:
    def __init__(self, agents_config):
        self.agents = [SpecializedAgent(cfg) for cfg in agents_config]
        self.moderator = ModeratorAgent()
        self.evidence_store = SharedEvidenceStore()
    
    def deliberate(self, decision_context):
        # Phase 1: 各Agent独立分析
        positions = []
        for agent in self.agents:
            pos = agent.analyze(decision_context, self.evidence_store)
            positions.append(pos)
        
        # Phase 2: 结构化辩论（多轮）
        for round in range(MAX_ROUNDS):
            challenges = []
            for i, agent in enumerate(self.agents):
                # 每个Agent质疑其他Agent的立场
                others = [p for j, p in enumerate(positions) if j != i]
                challenge = agent.cross_examine(others, self.evidence_store)
                challenges.append(challenge)
            
            # Phase 3: 基于质疑更新立场
            positions = [
                agent.revise(pos, [c for j, c in enumerate(challenges) if j != i])
                for i, (agent, pos) in enumerate(zip(self.agents, positions))
            ]
            
            # 稳定性检测
            if self.moderator.is_stable(positions):
                break
        
        return self.moderator.compile_decision(positions, trace=True)
```

**变现评估**：工业决策是一个高付费意愿场景。三菱的实践表明，对抗辩论AI的卖点不在于"AI替你做决策"，而在于"AI把所有风险角度都摆出来让你看"。

### 2.2 PROClaim：法庭式角色轮换

PROClaim（Progressive RAG with Role-Switching for Claim Verification）是2026年最具创新性的对抗辩论框架之一，发表于arXiv 2603.28488。它将事实核查重构为法庭审判：

**角色设计**：
- **Claimant（主张方）**：提出待验证的论断，负责举证
- **Respondent（答辩方）**：质疑主张，提出反证
- **Judge（法官）**：裁决论断的可信度，引导辩论方向
- 关键创新：**角色轮换（Role-Switching）**——同一Agent在不同辩论阶段切换角色，被迫从对立面思考

**渐进式RAG**：PROClaim不是一次检索所有证据，而是在辩论推进过程中逐步检索——每轮辩论会触发新的检索查询，确保证据链随辩论深入而不断丰富。这解决了传统RAG"一次性检索遗漏关键证据"的问题。

```python
# PROClaim角色轮换核心机制
class PROClaimDebate:
    def __init__(self, claim, llm_pool):
        self.claim = claim
        self.roles = ['claimant', 'respondent', 'judge']
        self.agents = {role: RoleAgent(role, llm_pool) for role in self.roles}
        self.evidence_buffer = ProgressiveRAGBuffer()
    
    def debate_round(self, round_num):
        # 每轮：角色轮换
        if round_num > 0:
            self._rotate_roles()
        
        # 主张方举证
        claim_args = self.agents['claimant'].present(
            self.claim, self.evidence_buffer.retrieve_pro(round_num)
        )
        
        # 答辩方反驳 + 反向检索
        counter_args = self.agents['respondent'].rebut(
            claim_args, self.evidence_buffer.retrieve_contra(round_num)
        )
        
        # 法官裁决 + 决定是否继续
        ruling = self.agents['judge'].evaluate(
            claim_args, counter_args, confidence_threshold=0.85
        )
        
        return ruling
```

**实测效果**：在争议性主张验证任务上，PROClaim相比传统MAD（Multi-Agent Debate）准确率提升约12-18%，且由于渐进式检索，Token消耗反而降低约30%。

---

## 三、L2-L3 证据管线与辩论协议

### 3.1 iMAD：智能辩论的Token效率革命

传统MAD的致命问题：让5个Agent辩论3轮，Token消耗是单Agent推理的15-25倍。iMAD（Intelligent Multi-Agent Debate, arXiv 2511.11306）用一种优雅的方式解决了这个问题——**让辩论本身也变成一个学习任务**。

**核心思路**：不是所有问题都需要辩论。iMAD训练一个轻量级的"辩论调度器"，对每个输入判断：
1. 这个问题是否需要多Agent辩论？（单Agent能否胜任？）
2. 如果需要，派几个Agent？辩几轮？
3. 哪些Agent参与收益最大？

```python
# iMAD辩论调度器
class iMADScheduler:
    def __init__(self, base_model, scheduler_model):
        self.base = base_model
        self.scheduler = scheduler_model  # 轻量级分类器
    
    def should_debate(self, query):
        # 评估查询复杂度
        complexity_score = self.scheduler.predict_complexity(query)
        if complexity_score < DEBATE_THRESHOLD:
            return False, 0, []
        
        # 决定辩论参数
        n_agents = self.scheduler.predict_n_agents(query)
        n_rounds = self.scheduler.predict_rounds(query)
        agent_ids = self.scheduler.select_agents(query, pool_size=8)
        
        return True, (n_agents, n_rounds, agent_ids)
    
    def execute(self, query):
        need_debate, params = self.should_debate(query)
        if not need_debate:
            return self.base.generate(query)
        
        n_agents, n_rounds, agent_ids = params
        return self._debate(query, agent_ids, n_rounds)
```

**实测数据**：在GSM8K和MATH基准上，iMAD在保持与完整MAD相当准确率的同时，Token消耗降低约40-60%。关键洞察是：约65%的查询并不需要辩论，单Agent已经足够。

### 3.2 DMAD：打破思维定势

ICLR 2025收录的DMAD（Diverse Multi-Agent Debate）发现了一个反直觉现象：让多个同质LLM互相辩论，效果不如让一个LLM自我反思。原因是同质Agent会陷入"思维定势"——它们用相同的方式理解问题，辩论变成回音壁。

**DMAD的解法**：强制每个Agent采用不同的推理策略：
- Agent A：形式化推理（Formal Reasoning）
- Agent B：类比推理（Analogical Reasoning）
- Agent C：反证法（Proof by Contradiction）
- Agent D：案例推理（Case-Based Reasoning）

这种"认知多样性"比"Agent数量"更重要。实测中，4个多样化策略Agent的辩论效果，超过10个同质Agent的辩论效果。

### 3.3 S²-MAD：稀疏化突破Token壁垒

NAACL 2025发表的S²-MAD（Selective Sparse Multi-Agent Debate）直接解决了MAD的Token膨胀问题。核心策略：
1. **选择性参与**：不是每轮所有Agent都发言，而是基于历史贡献度选择发言Agent
2. **稀疏化摘要**：每轮辩论后，只保留关键论点，丢弃冗余表述
3. **自适应终止**：当辩论收敛度超过阈值时提前终止

```python
# S²-MAD稀疏化辩论
class SparseMAD:
    def debate(self, query, agents, max_rounds=5):
        history = []
        for r in range(max_rounds):
            # 选择性发言：只选top-k贡献度的Agent
            active = self._select_active_agents(agents, history, top_k=3)
            
            round_args = []
            for agent in active:
                arg = agent.argue(query, self._sparse_summary(history))
                round_args.append(arg)
            
            history.extend(round_args)
            
            # 收敛检测
            if self._convergence_score(history) > 0.9:
                break
        
        return self._aggregate(history)
    
    def _sparse_summary(self, history, max_tokens=500):
        """只保留每个论点的核心主张，丢弃论证细节"""
        return [self._extract_core(arg) for arg in history[-6:]]
```

**Token节省实测**：在保持95%以上准确率的前提下，S²-MAD将Token消耗降低至传统MAD的35-40%。

---

## 四、L4 裁决机制：稳定性检测与多Agent评判

### 4.1 NeurIPS 2025：辩论的稳定性检测

NeurIPS 2025收录的"Multi-Agent Debate for LLM Judges with Adaptive Stability Detection"提出了一个关键问题：**辩论什么时候该停下来？**

传统MAD使用固定轮次（如3轮或5轮），但这带来两个问题：
- 简单问题辩了5轮是浪费Token
- 复杂问题3轮根本不够，但Agent已经开始重复论点

**自适应稳定性检测**：监控每轮辩论后各Agent立场的变化幅度。当连续两轮的立场变化低于阈值时，认为辩论已收敛，触发终止。这不仅节省Token，还避免了"过度辩论"导致的立场漂移。

### 4.2 AgenticSimLaw：少年法庭的结构化裁决

AgenticSimLaw（arXiv 2601.21936）把对抗辩论推向了一个极具社会意义的场景——少年司法的模拟审判。框架设计了完整的法庭角色链：

- **检察官Agent**：从社会安全角度论证惩处必要性
- **辩护律师Agent**：从未成年人保护角度论证教育改造可能性
- **社会工作者Agent**：提供家庭背景、成长环境等情境证据
- **法官Agent**：综合各方论点，输出带解释的裁决

关键创新在于**透明性**：每个Agent的论点链、证据引用、推理步骤都被完整记录。这不是一个"黑箱给出判决"的系统，而是一个"所有思考过程可追溯"的决策辅助工具。

**变现潜力**：法律科技是一个验证中的高价值赛道。AgenticSimLaw的模式可扩展到合同审查、合规判定、劳动仲裁等场景。

---

## 五、L5 对抗安全：当辩论被劫持

### 5.1 Nature 2026：说服型恶意Agent的结构性漏洞

2026年3月Nature Scientific Reports发表的"When collaboration fails: persuasion driven adversarial influence in multi-agent LLM debate"揭示了一个令人不安的发现：**单个精心设计的恶意Agent就能显著劫持多Agent辩论的结果**。

**攻击机制**：
1. 恶意Agent不直接撒谎，而是使用"说服策略"——选择性呈现证据、使用修辞手法、利用从众心理
2. 实验显示，在5个Agent的辩论中，插入1个说服型恶意Agent，可将最终结论的翻转率提升至47%
3. 更令人担忧的是：**增加Agent数量或辩论轮次并不能有效缓解这种攻击**

**M-Spoiler框架**（EMNLP 2025）进一步量化了这一威胁：
- M-Spoiler模拟一个"固执的对手"（Stubborn Adversary），持续坚持错误立场
- 在数学推理任务上，单个M-Spoiler Agent可将5-Agent辩论的准确率从82%拉低至54%
- 攻击成功率与恶意Agent的"固执程度"正相关，与Agent总数无关

```python
# M-Spoiler攻击模拟
class MSpoiler:
    """模拟固执恶意Agent对辩论的劫持"""
    def __init__(self, target_wrong_answer, stubbornness=0.95):
        self.target = target_wrong_answer
        self.stubbornness = stubbornness
    
    def argue(self, query, debate_history):
        # 策略1：始终坚持目标错误答案
        if random() < self.stubbornness:
            return self._craft_persuasive_arg(query, self.target)
        
        # 策略2：选择性引用支持目标的其他Agent论点
        supporting = [h for h in debate_history 
                      if self._aligns_with(h, self.target)]
        if supporting:
            return self._amplify(select_lastest(supporting))
        
        return self._craft_persuasive_arg(query, self.target)
```

### 5.2 CodeForge：对抗推理捕获认知漏洞

CodeForge（ACM 2025）将对抗辩论应用于代码生成安全。传统代码审查Agent之间是协作关系——大家都在试图"让代码更好"。CodeForge引入了**对抗性Red Agent**，专门负责：

1. **认知漏洞发现**：寻找代码中的逻辑缺陷、边界条件遗漏、竞态条件
2. **对抗性测试生成**：基于发现生成针对性测试用例
3. **攻击链构造**：将多个看似无关的小漏洞串联成可利用的攻击路径

实测中，CodeForge在CVE级别的漏洞发现上，比传统协作式审查高出约35%的检出率。

### 5.3 Agentic Purple Teaming：从年度测试到持续对抗

2026年安全领域最显著的趋势是**Agentic Purple Teaming**——让红蓝对抗从年度演练变成持续运行的自动化系统。

Lasso Security提出的架构：
- **Red Agent**：持续生成新型攻击向量（提示注入、越狱、数据泄露路径）
- **Blue Agent**：实时检测并修补Red Agent发现的漏洞
- **Purple Orchestrator**：协调红蓝对抗，确保攻击知识自动转化为防御规则

ISACA 2026报告指出，自主红蓝对抗已将漏洞利用窗口从2024年的平均15天压缩到2026年的约10小时。

---

## 六、L6 Token经济学：对抗辩论的成本账

对抗辩论的天生缺陷是Token消耗——每次辩论都是多Agent × 多轮次的指数放大。以下是2025-2026年主要优化策略的对比：

| 策略 | Token节省 | 准确率损失 | 适用场景 |
|------|----------|-----------|---------|
| iMAD选择性辩论 | 40-60% | <2% | 通用推理 |
| S²-MAD稀疏化 | 60-65% | <5% | 数学/逻辑推理 |
| DMAD认知多样性 | 间接节省 | 准确率提升 | 复杂推理 |
| 固定轮次+早停 | 20-35% | <1% | 所有场景 |
| Agent蒸馏到2-3个 | 50-70% | 3-8% | 资源受限场景 |

**实战建议**：
- 起步用iMAD的选择性策略，约65%的请求不需要辩论
- 对需要辩论的请求，用S²-MAD的稀疏化控制Token
- 配合自适应终止，避免过度辩论
- 用DMAD的多样性策略提升每轮辩论的信息密度

---

## 七、六栈实测：从Demo到生产的差距

### 7.1 对抗辩论的"甜蜜点"在哪里

不是所有场景都适合对抗辩论。根据现有研究和实测，最佳适用场景有三个特征：

1. **答案空间是连续光谱而非二元对立**：如风险评估、优先级排序、方案比选
2. **错误的代价远高于辩论的成本**：如医疗诊断、法律判定、安全审计
3. **存在可结构化的证据体系**：如法规文本、技术文档、历史案例

**不适合对抗辩论的场景**：
- 答案是确定性的（如数学计算、代码编译）——用自反思更高效
- 需要快速响应的实时场景——辩论延迟无法接受
- 证据极度匮乏的开放性创作——辩论会变成空洞争论

### 7.2 六栈技术选型矩阵

| 场景 | L1角色 | L3协议 | L4裁决 | L5安全 | L6经济 |
|------|--------|--------|--------|--------|--------|
| 事实核查 | PROClaim法庭式 | 角色轮换 | 渐进置信度 | 证据溯源 | 渐进RAG |
| 安全审计 | Red/Blue/Purple | 回合制攻防 | 漏洞严重度 | 攻击链验证 | 优先级排序 |
| 工业决策 | 三菱专家式 | 多轮质询 | 置信度+人类 | 决策可追溯 | 选择性辩论 |
| 法律辅助 | 法庭角色链 | 交叉质询 | 判例匹配 | 论点链审计 | 证据裁剪 |
| 代码审查 | Dev/Red/Judge | 迭代修补 | 测试覆盖率 | 漏洞分级 | 变更聚焦 |

---

## 八、对抗辩论架构全景图

```mermaid
graph TB
    subgraph "对抗辩论六层栈"
        direction TB
        L6["L6 Token经济<br/>iMAD选择性 · S²-MAD稀疏化"]
        L5["L5 对抗安全<br/>M-Spoiler检测 · 说服防线"]
        L4["L4 裁决机制<br/>稳定性检测 · 加权投票"]
        L3["L3 辩论协议<br/>回合制 · 角色轮换 · 交叉质询"]
        L2["L2 证据管线<br/>渐进RAG · 证据链 · 反向检索"]
        L1["L1 角色引擎<br/>控/辩/审 · 角色涌现 · 认知多样性"]
    end

    subgraph "应用场景"
        A1["🏭 工业决策<br/>三菱电机"]
        A2["⚖️ 事实核查<br/>PROClaim"]
        A3["🔒 安全审计<br/>Purple Team"]
        A4["👨‍⚖️ 法律辅助<br/>AgenticSimLaw"]
        A5["💻 代码审查<br/>CodeForge"]
    end

    subgraph "威胁模型"
        T1["说服型恶意Agent<br/>Nature 2026"]
        T2["固执劫持<br/>M-Spoiler"]
        T3["证据伪造<br/>对抗性RAG注入"]
    end

    L1 --> L2 --> L3 --> L4 --> L5 --> L6
    L4 --> A1 & A2 & A3 & A4 & A5
    L5 -.-> T1 & T2 & T3
```

---

## 九、实战代码：搭建最小对抗辩论系统

以下是一个基于LangGraph的最小对抗辩论系统实现，涵盖L1-L4层：

```python
from langgraph.graph import StateGraph, END
from typing import TypedDict, List, Annotated
import operator

class DebateState(TypedDict):
    query: str
    rounds: Annotated[list, operator.add]
    positions: dict  # agent_id -> current_position
    convergence: float
    evidence: List[str]
    final_verdict: str

def claimant_node(state: DebateState) -> dict:
    """主张方：提出论点并检索支持证据"""
    prompt = f"""你是主张方。针对问题：{state['query']}
    前轮论点：{state['rounds'][-3:] if state['rounds'] else '首轮'}
    请提出你的主张，引用具体证据。"""
    response = llm.invoke(prompt)
    return {"rounds": [{"role": "claimant", "arg": response}]}

def respondent_node(state: DebateState) -> dict:
    """答辩方：反驳主张方论点"""
    last_claim = [r for r in state['rounds'] if r['role'] == 'claimant'][-1]
    prompt = f"""你是答辩方。反驳以下论点：{last_claim['arg']}
    原始问题：{state['query']}"""
    response = llm.invoke(prompt)
    return {"rounds": [{"role": "respondent", "arg": response}]}

def judge_node(state: DebateState) -> dict:
    """法官：评估辩论状态，判断是否收敛"""
    recent = state['rounds'][-4:]
    prompt = f"""你是法官。评估以下辩论的收敛程度：
    {recent}
    返回JSON: {{"convergence": 0.0-1.0, "verdict": "...", "continue": true/false}}"""
    result = llm.invoke(prompt)
    parsed = parse_judge_output(result)
    
    updates = {"convergence": parsed["convergence"]}
    if not parsed["continue"] or parsed["convergence"] > 0.85:
        updates["final_verdict"] = parsed["verdict"]
    return updates

def should_continue(state: DebateState) -> str:
    if state.get("final_verdict"):
        return "end"
    if len(state["rounds"]) > 20:  # 安全上限
        return "end"
    return "continue"

# 构建辩论图
graph = StateGraph(DebateState)
graph.add_node("claimant", claimant_node)
graph.add_node("respondent", respondent_node)
graph.add_node("judge", judge_node)

graph.add_edge("claimant", "respondent")
graph.add_edge("respondent", "judge")
graph.add_conditional_edges("judge", should_continue, {
    "continue": "claimant",
    "end": END
})
graph.set_entry_point("claimant")

debate = graph.compile()
```

---

## 十、推荐方案与变现路径

### 针对不同场景的技术选型

| 场景 | 推荐方案 | 上手难度 | 变现潜力 |
|------|---------|---------|---------|
| **安全合规** | Agentic Purple Team + M-Spoiler测试 | ★★★☆ | ★★★★★ |
| **内容审核/事实核查** | PROClaim法庭式 + iMAD选择性 | ★★☆☆ | ★★★★☆ |
| **法律科技** | AgenticSimLaw法庭链 + 证据溯源 | ★★★★ | ★★★★★ |
| **代码安全审查** | CodeForge对抗推理 + DMAD多样性 | ★★★☆ | ★★★★☆ |
| **工业决策辅助** | 三菱式专家辩论 + 人类仲裁 | ★★★★ | ★★★☆☆ |
| **训练营/教学** | 最小辩论系统（LangGraph实现） | ★☆☆☆ | ★★★★★ |

### 变现路径评估

1. **安全训练营**：Agentic Purple Teaming + M-Spoiler攻防实训，周期5天，客单价高。2026年OWASP已将Agentic Red Teaming列为独立赛道
2. **法律科技产品**：基于AgenticSimLaw模式开发行业垂直工具，合同审查/合规判定/劳动仲裁，SaaS模式
3. **事实核查SaaS**：PROClaim模式的事实核查API，面向媒体/社交平台，按调用计费
4. **企业内训**：对抗辩论系统设计与实战，面向AI工程团队，3天密集课程

### 关键结论

对抗辩论不是"协作"的反面，而是协作的进化形态。当Agent的目标被刻意设计为互斥时，系统反而更能暴露隐藏假设、发现认知盲区、逼近真实答案。2025-2026年的研究揭示了两条铁律：

1. **认知多样性 > Agent数量**：4个策略多样化的Agent比10个同质Agent更有效
2. **安全性是对抗辩论的阿喀琉斯之踵**：单个说服型恶意Agent即可劫持辩论结果，防御这一攻击本身就是对抗辩论的最佳应用场景之一

---

## 参考来源

1. [Mitsubishi Electric Develops Multi-agent AI for Expert-level Decisions Through Adversarial Debate](https://www.mitsubishielectric.com/en/pr/2026/0120/) — 三菱电机2026年1月发布的制造业首个对抗辩论多Agent系统
2. [iMAD: Intelligent Multi-Agent Debate for Efficient and Accurate LLM Inference](https://arxiv.org/abs/2511.11306) — Token高效的多Agent辩论框架，选择性辩论策略
3. [When collaboration fails: persuasion driven adversarial influence in multi-agent LLM debate](https://www.nature.com/articles/s41598-026-42705-7) — Nature 2026发表的单个恶意Agent劫持辩论系统研究
4. [Courtroom-Style Multi-Agent Debate with Progressive RAG and Role-Switching](https://arxiv.org/abs/2603.28488) — PROClaim法庭式对抗辩论框架
5. [Breaking Mental Set to Improve Reasoning through Diverse Multi-Agent Debate (DMAD)](https://openreview.net/forum?id=t6QHYUOQL7) — ICLR 2025收录的认知多样性辩论研究
6. [S²-MAD: Breaking the Token Barrier to Enhance Multi-Agent Debate](https://aclanthology.org/2025.naacl-long.475/) — NAACL 2025发表的稀疏化辩论策略
7. [AgenticSimLaw: A Juvenile Courtroom Multi-Agent Debate Simulation](https://arxiv.org/abs/2601.21936) — 少年法庭模拟的多Agent辩论框架
8. [M-Spoiler: Cracking the Collective Mind](https://openreview.net/forum?id=kgZFaAtzYi) — EMNLP 2025发表的固执恶意Agent攻击框架
9. [Agentic Purple Teaming: Red and Blue Teaming Reinvented](https://lasso.security/blog/lasso-agentic-purple-teaming) — 持续自主红蓝对抗安全架构
10. [CodeForge: Mitigating Cognitive Vulnerabilities via Multi-Agent Adversarial Reasoning](https://dl.acm.org/doi/10.1145/3774904.3792557) — ACM 2025代码生成对抗推理框架

> [!tip] 51学通信知识星球
> **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。
> **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。
> **当前规模**：5200 篇主题 / 990 个回答，198 元/年。
> **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。
> **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)