姜小邑1. 项目背景与核心目标
DebateLab是一个基于多智能体系统的AI辩论平台，旨在模拟真实辩论场景中的复杂交互过程。作为一名长期从事AI系统开发的工程师，我深知构建这样一个平台需要解决的核心挑战：如何让多个AI辩手在严格规则下进行有逻辑、有深度的观点交锋，同时保持全程可追溯、可分析。
这个项目的独特之处在于，它不仅仅是简单的对话系统，而是需要实现：
- 多角色协同（8个不同辩位）
- 严格流程控制（立论→攻辩→驳论→总结）
- 实时状态跟踪（争议点、攻防态势）
- 结构化输出（便于评分和复盘）
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构选型与思考
2.1 为什么选择LangGraph作为核心框架
在技术选型阶段，我们评估了多种方案：
- 纯LangChain方案：适合简单对话流，但缺乏状态管理和复杂流程控制
- 自定义状态机：开发成本高，维护困难
- LangGraph：完美契合我们的需求，因为：
- 内置状态管理（MessagesState）
- 可视化调试工具
- 与LangChain生态无缝集成
- 支持复杂流程编排
实际开发中发现，LangGraph的
StateGraph和MessagesState组合使用，可以完美解决辩论场景中的状态共享问题。例如，正方的四位辩手需要实时了解团队的整体论证进展。
2.2 系统架构设计
我们采用了分层架构设计：
code复制.
├── agent/
│ ├── core/ # 状态机和调度核心
│ ├── tools/ # 辩论专用工具集
│ ├── prompt/ # 各辩位Prompt模板
│ └── myAgent.py # 主入口
├── api/
└── web/
这种结构确保了：
- 业务逻辑与技术实现分离
- 各辩位功能模块化
- 便于团队协作开发
3. 核心实现细节
3.1 状态机设计与实现
辩论状态机的核心是DebateState类，它继承自MessagesState并扩展了辩论特有属性：
python复制class DebateState(MessagesState):
stage: str