前言：從統籌到討論

在 昨天 (Day 11)，我們看到了 Supervisor（統籌型） 的 Multi-Agent 模式：
Planner、Foodie、Transport 各自分工，最後由 Coordinator 統籌整合。

這種模式清楚高效，但也偏向「一言堂」：所有決定由統籌拍板。

然而在真實世界裡，許多情境需要 討論與辯證：

• 不同角色彼此挑戰、補充、質疑
• 在來回對話中逐步收斂共識
• 透過「思想碰撞」產生新火花，而不是只聽從單一權威

這就是 Multi-Agent Conversation 的另一種典型做法 —— Group Chat（討論型）模式。

Group Chat（討論型）模式

昨天的 Supervisor 模式，Coordinator 是「主管」，大家分工完成後再交給他統籌拍板，結果乾淨俐落，但過程偏單向。

今天的 Group Chat 模式，則是所有角色在同一個對話空間裡平等發言，透過互相質疑、補充與修正，在對話中逐步形成共識。

核心概念

1. 共享對話歷史

   • 每個角色都能看到前面討論，並基於完整脈絡來回應。

2. 輪流發言

   • 透過多回合 round-robin 發言，確保所有角色都有參與。

3. 逐步收斂

   • 過程不是「一次到位」，而是邊討論邊調整，直到自然形成共識。

圖：Group Chat 模式。所有角色（Planner、Foodie、Transport、Reviewer）都在同一個對話空間中平等發言，經過多回合互動，逐步收斂成共識行程。

特點

• 平等互動：沒有主管，大家都是會議參與者。
• 互相辯證：Planner 提議 → Foodie 補充 → Transport 挑戰 → Reviewer 整理。
• 動態收斂：最後結果不是誰拍板，而是在交流中長出來。

Supervisor vs Group Chat

用旅行案例來比喻

假設我們還在規劃 維也納二日遊：

• Planner 提出：「第一天上午去美泉宮，下午去聖史蒂芬大教堂。」
• Foodie 立刻回應：「午餐要不要去 Figlmüller？那裡有維也納豬排，而且符合『不吃牛肉』的需求。」
• Transport 插話：「等等，美泉宮到 Figlmüller 要 30 分鐘，再去聖史蒂芬可能會壓縮時間。」
• Reviewer 接著整理：「交通時間可能太趕，建議把景點縮減，或改選更近的餐廳。」
• 下一回合，Planner 調整：「那下午就改去霍夫堡宮，比較靠近市中心，行程更順。」

這樣一來，大家在 對話中直接互動、逐步調整，最後得到一個更合理的行程。

沒有誰是最終「主管」，而是靠來回交流自然收斂。

Naive Demo：小型 Group Chat

接著我們用程式碼來模擬一個簡單的 Naive Group Chat，讓大家看清楚：多代理如何在「多人對話」中互動，逐步收斂。

(這裡 LLM 模型使用 gemini-2.5-flash-lite 是因為 Group Chat 有多輪對話會需要比較多用量，lite 版本免費額度較多，比較不會對話到一半超額而造成失敗)

在這個 Demo 中有四個角色：

• Planner：旅行規劃師，提出景點行程。
• Foodie：美食顧問，依據使用者偏好（不吃牛肉、喜歡維也納豬排）推薦餐廳。
• Transport：交通顧問，檢查行程是否可行，提醒可能超時。
• Reviewer：檢視者，觀察討論，若有衝突提出調整建議；若無衝突則嘗試收斂成最終方案。

程式碼

import google.generativeai as genai
import os

# ===== 0) 初始化 =====
os.environ["GEMINI_API_KEY"] = "YOUR_API_KEY"
genai.configure(api_key=os.environ["GEMINI_API_KEY"])
LLM = genai.GenerativeModel("gemini-2.5-flash-lite") # Group Chat 有多輪對話需要比較多用量，故使用 lite 版本

# ===== 1) Memory（使用者偏好） =====
MEMORY = {
    "diet": "不吃牛肉",
    "pref": "維也納豬排"
}

# ===== 2) Agent 基底類別 =====
class BaseAgent:
    def __init__(self, name, role_description):
        self.name = name
        self.role_description = role_description

    def act(self, history):
        prompt = f"{self.role_description}\n目前討論紀錄：{history}\n請以 {self.name} 身份回應，簡短發言。"
        resp = LLM.generate_content(prompt)
        return resp.text.strip()

# ===== 3) 四個角色 =====
class PlannerAgent(BaseAgent):
    def __init__(self):
        role_description = """你是旅行規劃師，提出景點方案。
          輸出 JSON 格式，
          範例：
          {
              "Day1": {"am": "美泉宮", "pm": "聖史蒂芬大教堂"},
              "Day2": {"am": "奧地利國家圖書館", "pm": "維也納歌劇院"}
          }
        """
        super().__init__("Planner", role_description)

class FoodieAgent(BaseAgent):
    def __init__(self):
        role_description = f"""你是美食顧問，根據偏好（{MEMORY['diet']}、偏好 {MEMORY['pref']}）建議餐廳。
          輸出 JSON 格式，
          範例：{{"Day1": "Figlmüller（維也納豬排）", "Day2": "Gasthaus Pöschl"}}
        """
        super().__init__("Foodie", role_description)

class TransportAgent(BaseAgent):
    def __init__(self):
        role_description = """你是交通顧問，自行評估交通方式與所需時間並檢查行程是否交通合理，有無超時風險。
          輸出 JSON 格式，
          範例：
          {
            "Day1": {"am_to_lunch": 25, "lunch_to_pm": 30},
            "Day2": {"am_to_lunch": 22, "lunch_to_pm": 35}
          }
        """
        super().__init__("Transport", role_description)

class ReviewerAgent(BaseAgent):
    def __init__(self):
        role_description = """你是檢視者 (Reviewer)，負責觀察 Planner、Foodie、Transport 的建議。
          你的任務：
          1) 如果有衝突（例如交通超時或餐廳不合適），請條列出來，讓下一回合修正。
          2) 如果沒有衝突，嘗試整合成完整行程 JSON 與文字版方案。
          注意：你不是主管，只是多人對話的一份子，主要任務是檢查和整理。
          3) JSON 格式如下：
          {
              "Day1": {
                  "am": "美泉宮及其花園 (Schloss Schönbrunn)",
                  "lunch": "Figlmüller（維也納豬排）",
                  "pm": "霍夫堡宮 (Hofburg Palace)",
                  "transport": {"am_to_lunch": 39, "lunch_to_pm": 37}
              },
              "Day2": {
                  "am": "聖史蒂芬大教堂 (Stephansdom)",
                  "lunch": "Gasthaus Pöschl",
                  "pm": "維也納藝術史博物館 (Kunsthistorisches Museum Wien)",
                  "transport": {"am_to_lunch": 36, "lunch_to_pm": 38}
              }
          }
        """
        super().__init__("Reviewer", role_description)

# ===== 4) Group Chat 模擬 =====
class GroupChat:
    def __init__(self, agents, rounds=2):
        self.agents = agents
        self.rounds = rounds

    def run(self):
        history = "我們要規劃維也納二日行程，09:00 出發，18:00 前結束。\n"
        for r in range(self.rounds):
            for agent in self.agents:
                reply = agent.act(history)
                history += f"{agent.name}: {reply}\n---\n"
        return history

# ===== 5) 主程式 =====
if __name__ == "__main__":
    agents = [PlannerAgent(), FoodieAgent(), TransportAgent(), ReviewerAgent()]
    chat = GroupChat(agents, rounds=2)
    history = chat.run()
    print("=== Group Chat Demo ===")
    print(history)

執行結果

1. 各角色分別提出建議

圖：在多人對話初期，各角色分別提出建議：Planner 給行程、Foodie 推薦餐廳、Transport 檢查交通。這階段像「初稿」，之後會逐步收斂。

2. Reviewer 審視所有角色的輸出後，提出潛在衝突

圖：Reviewer 審視所有角色的輸出後，提出潛在衝突（例如交通時間可能不足、餐廳距離過遠），並提供修正建議。這角色雖然平等，但在多人對話裡扮演「檢查與整理」的重要作用。

3. 個角色根據 Reviewer 的建議調整安排

圖：Planner 根據 Reviewer 的建議，對 Day 2 的景點安排做出微調，並更新行程 JSON。這裡可以看到 Planner 不是單向輸出，而是會被多人對話中的回饋影響。

圖：Transport 參考 Planner 與 Foodie 的更新方案，重新計算各段交通時間，並回報 JSON 結果。顯示出多人對話中角色會隨討論進展不斷修正自己的專業建議。

4. Reviewer 檢視各角色的最新建議後，確認已無衝突，並整理出最終行程方案

圖：Reviewer 檢視 Planner、Foodie、Transport 的最新建議後，確認已無衝突，並整理出最終行程方案。這顯示出 Group Chat 模式能透過多輪互動，自然收斂成完整結果。

這個 Demo 呈現了 Group Chat 模式的典型過程：

1. 分散建議：每個角色先給出各自的專業意見（行程、美食、交通）。
2. 辯證修正：Reviewer 發現衝突並提出修正方向。
3. 反覆調整：Planner、Transport 根據回饋不斷調整。
4. 自然收斂：最後 Reviewer 確認沒有衝突，形成完整且合理的最終方案。

和昨天的 Supervisor 模式 不同，這裡沒有單一主管拍板，而是讓角色在多人對話中 平等交流 → 逐步修正 → 收斂共識。

這正是 Group Chat 模式的價值：透過討論與互動，結果會更貼近真實世界的「會議決策」過程。

小結：Group Chat 的價值

和昨天的 Supervisor 型 相比，Group Chat（討論型）模式 更接近真實人類會議：

• 多角色平等：沒有唯一主管，所有角色都能自由發言。
• 互動辯證：透過交流補足盲點，甚至挑戰彼此假設。
• 自然收斂：最終結果不是自上而下拍板，而是經過互動逐步演化出來。

這是 Multi-Agent 常見的互動模式，特別適合：

• 創意發想（需要腦力激盪）
• 觀點辯論（需要正反交流）
• 跨專業協作（避免單一視角偏誤）

Group Chat 讓 Multi-Agent 不只是「分工合作」，更能「思想碰撞」，在對話中長出新的答案。

正如維也納的沙龍文化與音樂廳氛圍，許多靈感與旋律，都是在 交流與辯證 中誕生的。

圖：維也納工業大學（Technische Hochschule Wien）。 古典立面與雕像象徵科學與工藝的積累，而屋頂上的群像雕塑則呈現多個角色共同協作的場景。正如 Group Chat 模式，每一個角色都平等參與討論，透過交流與辯證逐步收斂成共識。沒有唯一的權威，而是集體智慧的展現，這也是學術與創新的真正精神。（攝影：作者自攝）