政策辩论裁判

要解决什么问题

政策讨论中常需要让不同经济学派对同一议题交锋，并对论证质量打分。人工组织成本高：要设计回合、约束立场、逐条记录。DebateJudge 用三个 LLM 代理完成这件事：两个辩论代理分别扮演不同流派，第三个代理担任裁判，在固定格式下跑完整场辩论并输出结构化结果。

核心能力与工作方式

• 辩论代理从 config/personas.yaml 加载 8 种经济学流派人格，包括新古典、制度、行为、公共选择、奥地利、马克思主义、凯恩斯与发展经济学派。每组人格定义了 key_assumptions、value_priorities、rhetorical_style、constraints、notable_thinkers 和 signature_moves，辩论代理须按人设论证。
• 编排核心是 debate_judge/arena.py 中的 DebateArena，负责回合调度。debate_judge/formats.py 提供 3 种辩论格式，如 PolicyDebateFormat，强制推进发言顺序。
• 裁判用 debate_judge/scoring.py 的 ScoringRubric 做加权聚合：每个回合在 6 个维度打分，逐轮累计成最终裁决，并输出每次交锋的分项拆解。
• 评分同时做谬误检测：_FALLACY_PATTERNS 用正则匹配人身攻击、稻草人、虚假二分、诉诸权威、滑坡谬误等 7 种常见谬误。这是启发式检查，不保证覆盖所有表达。
• 产出包含三部分：DebateTranscript（逐回合发言与得分）、Final Verdict（汇总裁决与裁判理由）、Scoring Breakdown（各维度得分）。

适用边界

• 辩题必须由用户给出，系统不会自动生成议题或决议。
• 只支持 LLM 对 LLM 辩论，不适用于真人对真人或人机混合评判。
• 人格库限定在经济学流派，非经济议题需要自行补充 personas.yaml 条目，并可能调整评分维度。
• 谬误检测依赖正则模式，属于启发式手段，漏检和误报都可能发生。
• 评分量表明确奖励实质性交锋而非修辞技巧，但 LLM 裁判仍可能带有训练数据中的固有偏差，裁决不宜视为绝对中立。