探索型任务的 Dual-Core-Delphi 工作流设计

一、问题背景

当前 AI 工作流面临两个困境。一是过度依赖人类驱动，每一步等待确认，效率低下。二是完全自主又缺乏约束，容易偏离目标或产生不可控风险。探索型任务尤其如此，既需要创造性突破，又需要边界控制。

本文提出一种分层架构：人类定义起点和边界，AI 在边界内自主探索，人类保留最终决策权，特定条件下可预授权自动执行。

二、核心架构

工作流分为四个阶段，依次衔接。

第一阶段，人类输入。提供三类信息：起点，即问题的核心诉求和背景；约束，包括资源限制、技术边界、可逆性要求；价值观与伦理底线，明确不可逾越的红线。

第二阶段，Dual-Core-Delphi 探索。三个 Agent 协作。Agent A 在选定维度上持激进立场，最大化突变可能。Agent B 持保守立场，最小化风险暴露。双方对抗生成，识别张力点。仲裁 Agent 整合双方论点，提取共识区与分歧点，生成候选方案并附评估报告。元审视 Agent 检查仲裁质量，识别偏见与盲区。

第三阶段，人类决策。审阅仲裁报告，选择方案或要求补充探索。特定条件下，此阶段可自动通过。

第四阶段，执行。确定型 Agent 按决议执行，产出可交付成果。

三、Dual-Core-Delphi 的运行机制

维度选择是关键。一次只选一个维度，两端分别是两种极端立场。例如表达力与简洁性、标准化与灵活性。多维度会分散对抗焦点，降低合成质量。

对抗过程采用动态温度。第一轮高温，双方充分展开极端立场。第二轮中温，针对性回应对方核心论点。第三轮低温，寻找收敛可能或确认不可调和的张力。

张力点是创造性所在。当双方论点互斥但各自在特定场景下有效时，仲裁 Agent 将其标记为设计抉择，而非对错判断。合成方案往往诞生于对张力点的重新框架。

仲裁报告包含五部分：双方共识基础、核心张力及各自适用场景、两个以上候选方案、各方案的涌现度与风险评级、推荐动作及理由。

元审视 Agent 独立检查：双方是否充分回应、有无稻草人谬误、合成是否真正超越原始立场、仲裁 Agent 是否存在立场偏见、是否遗漏关键维度。质量评分低于 0.8 时，触发补充对抗或引入新维度。

四、自动执行的条件与边界

为加速迭代，符合以下条件时，第三阶段可由系统自动通过，直接进入执行。

条件	阈值	检测方式
共识度	≥85%	双方最终轮论点交集占并集比例
涌现度	≥0.7	合成方案与双方原始立场的语义距离
风险级	可逆	技术可回滚、无持久副作用、沙箱可验证
伦理合规	100%	显式价值观检查清单全通过
历史匹配	≥90%	与模式库成功案例的结构相似度

五个条件必须同时满足。任一不满足即触发人类裁决。

伦理合规实行一票否决。即使其他指标优异，触及价值观红线必须人工确认。这是预授权架构的底线。

历史匹配度用于识别已知模式。高匹配意味着该类型问题已有成功解决先例，系统置信度高。低匹配则提示新颖性，需更谨慎。

五、预授权的实质

自动执行并非跳过人类决策，而是将人类决策前置到边界设定阶段。人类通过初始输入中的约束和伦理定义，预先划定可接受的操作空间。只要 AI 探索结果落在空间内，即视为已授权。

这类似于空中交通管制：飞行员在航线内自主驾驶，管制员仅在偏离或异常时介入。人类从每一步的微观管理，转变为边界的宏观设定与异常的最终裁决。

六、风险与对策

长期运行存在两类风险。

一是伦理漂移。自动执行累积，系统可能逐渐压缩伦理检查的敏感度，将边缘案例纳入自动通过范围。对策是定期审计自动执行记录，随机抽样人工复核，发现漂移即收紧阈值。

二是对抗僵化。Agent 学习历史模式后，生成论点趋于套路，失去真正的突变能力。对策是每 N 轮强制引入随机扰动：更换维度、引入第三方 Agent、或临时反转立场角色。

三是合成平庸。仲裁 Agent 为追求共识度，倾向于选择中间路线，错失高风险的突破性方案。对策是元审视 Agent 单独评估"遗憾指数"：若激进方案被压制，强制人类知情裁决。

七、迭代速度的优化

除自动执行条件外，另有机制加速循环。

并行探索。多个维度同时开启 Dual-Core-Delphi，各自独立运行，人类最终跨维度整合。

时间盒约束。每轮对抗限时，强制产出。超时的论点视为放弃。

快速裁决界面。人类决策阶段提供结构化选项，默认推荐方案一键确认，非默认方案需显式选择并简述理由。

执行与探索重叠。当前方案执行时，下一代探索已启动，形成流水线。

八、完整流程示例

以 API 设计为例。

人类输入：起点是设计 RESTful API 的批量操作端点；约束是可逆部署、向后兼容、两周内交付；伦理底线是用户数据不可泄露、操作必须可审计。

Dual-Core-Delphi 选择维度：表达力（支持复杂查询语法）vs 简洁性（仅支持简单 ID 列表）。

三轮对抗后，仲裁识别张力点：复杂查询的灵活性 vs 简单接口的可缓存性。合成方案提出分层设计：基础层支持 ID 列表保证简洁，扩展层支持查询语法但映射为内部标准格式。

元审视通过。历史匹配度 92%，有类似成功案例。风险可逆，可沙箱部署。伦理检查通过。

系统自动执行，生成 OpenAPI 规范与实现代码。人类同步审阅，无异常则继续。

九、结论

该架构的核心是将人类注意力重新分配：从过程监控转向边界设定与异常处理，从执行细节转向价值判断与责任承担。AI 在清晰边界内充分发挥生成与验证能力，通过对抗性探索提高突变质量，通过分层仲裁控制风险。

自动执行是效率工具，不是信任替代品。伦理一票否决、定期漂移审计、强制随机扰动，确保速度不以牺牲可控性为代价。

最终目标是人机协作的可持续演进：人类定义何为重要，AI 探索如何实现，双方在各自擅长的领域共同推进。