在資訊爆炸的時代，如何快速判斷新聞的可信度與嚴謹程度成為重要課題。今天要實作一個「新聞嚴謹度評估系統」，透過 Semantic Kernel Multi-Agent 的協作機制，從多個面向分析新聞內容，包含來源具體性、證據密度、推論穩健度、平衡與偏見、前後文一致性，以及清晰結構等六大維度，最終產出一份完整的評估報告與總體評分。
這個系統的設計概念是將複雜的新聞評估任務拆解成多個專業面向，每個 Agent 只專注於一個評估維度，這樣不僅能提高評估的準確性，也能讓每個 Agent 的 prompt 更加精簡易維護。最後再透過 Aggregator Agent 將所有評分彙總，計算加權總分並產出易讀的分析報告。
整體系統流程採用兩階段的設計：
ConcurrentOrchestration 並行處理來提高效率。所以這個實作有別於以往採用單一種 Multi-Agent 架構打到底的方式，而是混搭不同的 Agent 架構協作來完成，而這也說明了不同種的 Multi-Agent 架構或是 single Agent 都可以根據需求進行組合與調整。
這個系統的概念性再延伸可擴展成：
系統設計了六個專業評估代理，每個代理專注於一個特定面向，當然這僅是初步設計，真正要運作的評估準則會更細緻：
SourceSpecificityAgent（來源具體性評分）
EvidenceDensityAgent（證據密度評分）
InferenceRigorAgent（推論穩健度評分）
BalanceBiasAgent（平衡與偏見評分）
ConsistencyAgent（前後文一致性評分）
ClarityStructureAgent（清晰結構評分）
不同面向在總分計算中有不同的權重，做為整體得分的計算依據：
- 來源具體性（source_specificity）：20%
- 證據密度（evidence_density）：20%
- 推論穩健度（inference_rigor）：20%
- 平衡與偏見（balance_bias）：15%
- 前後文一致性（consistency）：15%
- 清晰結構（clarity_structure）：10%
最終總分計算公式：
總分 = Σ(各面向評分 × 權重) × 20
評分換算為 0-100 分，並根據分數判定等級：
首先建立 Semantic Kernel 實例：
Kernel kernel = Kernel.CreateBuilder()
.AddOpenAIChatCompletion(
apiKey: Config.OpenAI_ApiKey,
modelId: Config.ModelId)
.Build();
使用 ChatCompletionAgent 建立六個專業評估代理，每個代理都有明確的 Instructions，範例中使用同一個kernel對接同一個模型，實際運作中可以根據需求調整，對接不同的模型：
// === Helper：建立 ChatCompletionAgent（單一評分面向Agent） ===
/// <summary>
/// 建立 ChatCompletionAgent（單一評分面向Agent）
/// </summary>
/// <param name="name"> Agent Name</param>
/// <param name="description"> Agent Description</param>
/// <param name="instructions"> Agent Instructions</param>
/// <returns></returns>
private static ChatCompletionAgent MakeAgent(string name, string description, string instructions, Kernel kernel)
{
return new ChatCompletionAgent
{
Name = name,
Description = description,
Instructions = instructions,
Kernel = kernel
};
}
// 1. 來源具體性評分代理
var sourceSpecificityAgent = MakeAgent(
name: "SourceSpecificityAgent",
description: "來源具體性評分",
instructions:
"""
你是「SourceSpecificity Agent」。
任務：只根據本文文本，評估「來源具體性」，輸出 JSON：{"score":0-5,"reason":""}。
規則（0-5，整數）：
- 5：具名人/職稱/機構 + 文件/報告名 +（可選）日期/連結/編號
- 3：僅具名其一，細節不足
- 0-1：僅「據可靠來源/消息人士/據了解」等籠統表述
輸出限制：不可加入外部事實，不可多輸出欄位，理由 ≤ 80 字，需指向文內可觀察片段。
""", kernel);
// 2. 證據密度評分代理
var evidenceDensityAgent = MakeAgent(
name: "EvidenceDensityAgent",
description: "證據密度評分",
instructions:
"""
你是「EvidenceDensity Agent」。
任務：只根據本文文本，評估「證據密度」，輸出 JSON：{"score":0-5,"reason":""}。
規則：
- 5：多組可追溯量化數據/直接引述/文件片段
- 3：零星數據或二手轉述
- 0-1：純形容詞、無數字、無引述
輸出限制：不可加入外部事實，不可多輸出欄位，理由 ≤ 80 字，需指向文內可觀察片段。
""", kernel);
// 3. 推論穩健度評分代理
var inferenceRigorAgent = MakeAgent(
name: "InferenceRigorAgent",
description: "推論穩健度評分",
instructions:
"""
你是「InferenceRigor Agent」。
任務：只根據本文文本，評估「推論穩健度」，輸出 JSON：{"score":0-5,"reason":""}。
規則：
- 5：清楚區分事實/推測，使用條件語，避免跳躍因果，結論對應證據
- 3：推論大致合理但未說明限制
- 0-1：以偏概全/錯誤因果/斷言式結論
輸出限制：不可加入外部事實，不可多輸出欄位，理由 ≤ 80 字，需指向文內可觀察片段。
""", kernel);
// 4. 平衡與偏見評分代理
var balanceBiasAgent = MakeAgent(
name: "BalanceBiasAgent",
description: "平衡與偏見評分",
instructions:
"""
你是「BalanceBias Agent」。
任務：只根據本文文本，評估「平衡與偏見」，輸出 JSON：{"score":0-5,"reason":""}。
規則：
- 5：呈現多方觀點、語氣中性、標題不誤導
- 3：輕度傾向或缺少反方
- 0-1：高度單一路線、情緒化/貶抑性用語
輸出限制：不可加入外部事實，不可多輸出欄位，理由 ≤ 80 字，需指向文內可觀察片段。
""", kernel);
// 5. 前後文一致性評分代理
var consistencyAgent = MakeAgent(
name: "ConsistencyAgent",
description: "前後文一致性評分",
instructions:
"""
你是「Consistency Agent」。
任務：只根據本文文本，評估「前後文一致性」，輸出 JSON：{"score":0-5,"reason":""}。
規則：
- 5：標題與內文一致，前後陳述不矛盾，數據互相對應
- 3：小瑕疵，但不影響主要結論
- 0-1：標題與內文不符或自我矛盾
輸出限制：不可加入外部事實，不可多輸出欄位，理由 ≤ 80 字，需指向文內可觀察片段。
""", kernel);
// 6. 清晰結構評分代理
var clarityStructureAgent = MakeAgent(
name: "ClarityStructureAgent",
description: "清晰結構評分",
instructions:
"""
你是「ClarityStructure Agent」。
任務：只根據本文文本，評估「清晰結構」，輸出 JSON：{"score":0-5,"reason":""}。
規則：
- 5：標題貼題、導言有 5W1H、段落有層次、關鍵名詞有定義
- 3：可讀性尚可但重點分散
- 0-1：結構混亂、重複堆疊
輸出限制：不可加入外部事實，不可多輸出欄位，理由 ≤ 80 字，需指向文內可觀察片段。
""", kernel);
建立一個專門負責彙總所有評分的代理：
var aggregator = MakeAggregatorAgent();
// Aggregator Agent 建立方法
private static ChatCompletionAgent MakeAggregatorAgent()
{
const string weights = """
權重：
- source_specificity: 0.20
- evidence_density: 0.20
- inference_rigor: 0.20
- balance_bias: 0.15
- consistency: 0.15
- clarity_structure: 0.10
""";
const string targetSchema = """
請只輸出以下 JSON（所有欄位不可缺漏，不可多出）：
{
"scores": {
"source_specificity": { "score": 0, "reason": "" },
"evidence_density": { "score": 0, "reason": "" },
"inference_rigor": { "score": 0, "reason": "" },
"balance_bias": { "score": 0, "reason": "" },
"consistency": { "score": 0, "reason": "" },
"clarity_structure": { "score": 0, "reason": "" }
},
"weighted_total": 0,
"grade": "A|B|C|D",
"highlights": [],
"red_flags": [],
"final_summary": ""
}
""";
var prompt = $"""
你是「Aggregator Agent」。
僅根據提供的 6 個評分結果（每個含 score 與 reason），計算總分與等級並輸出目標 JSON。
- 總分：Σ(各面向 score × 權重) × 20，四捨五入為整數（0-100）
- 等級：A ≥ 85、B 70–84、C 50–69、D < 50
- highlights：擇優點 1–3 條（簡短）
- red_flags：若 score ≤ 2 的面向，整理 1–5 條風險（簡短）
- final_summary：150–200 字，自然語氣，點出可用性與疑慮
{weights}
{targetSchema}
僅輸出 JSON，不得包含其他文字。
""";
return new ChatCompletionAgent
{
Name = "Aggregator",
Description = "彙總 6 面向評分為最終 JSON",
Instructions = prompt
};
}
使用 ConcurrentOrchestration 讓六個評估代理並行執行：
// 建立並行編排：6 個評分代理並行執行
ConcurrentOrchestration evaluatorOrchestration = new ConcurrentOrchestration(
sourceSpecificityAgent, evidenceDensityAgent, inferenceRigorAgent,
balanceBiasAgent, consistencyAgent, clarityStructureAgent);
// 建立 Runtime
var runtime = new InProcessRuntime();
await runtime.StartAsync();
準備新聞內容並執行兩階段評估：
// 準備測試新聞內容
var originalContent = """
昨（10）日是國慶日，中國選擇在這時機公布3名水軍名單，表示他們散布台獨相關言論。今（11）日更進一步發布懸賞通告，指稱掌握我軍方的「心戰大隊」，共18人的姓名、身分證號跟照片全被公開。
中共公安部門近日發布通告，聲稱接獲民眾舉報，指台灣民進黨當局涉嫌透過設置「反動宣傳媒介」與製作、傳播「反動遊戲」等手段，對兩岸民眾進行煽動與宣傳，造成惡劣影響。通告中中共指控台灣軍方的「政治作戰局心理作戰大隊」（簡稱「心戰大隊」）長期策劃並執行「煽動分裂國家」的相關行動。
中共公安機關宣布，決定懸賞徵集包括18名「心戰大隊」核心人員的違法犯罪線索，凡是提供有效線索者，或協助公安機關抓獲相關嫌疑人的民眾，將可獲得人民幣1萬元（約新台幣4萬3千元）獎勵。
而在公布這波名單前，昨日中共國家安全部也聲稱，發現一批疑似被用於「操控輿論、散播台獨言論」的網路帳號，並點名3人在網路上散布台獨相關言論，公布姓名和背景。對此，國防部軍事情報局進一步反擊，認為中共散布此類不實訊息，係其長期運用各種手段，污衊國軍之慣用伎倆。
""";
Console.WriteLine($"【原始文件】\n{originalContent}\n");
// 第一階段：並行執行 6 個評分代理
Console.WriteLine("【階段 1】執行 6 個評分代理並行評分...\n");
var evaluatorResult = await evaluatorOrchestration.InvokeAsync(originalContent, runtime);
var evaluatorReports = await evaluatorResult.GetValueAsync(TimeSpan.FromSeconds(300));
Console.WriteLine("【6 個評分結果】");
foreach (var report in evaluatorReports)
{
Console.WriteLine(report);
Console.WriteLine("---");
}
將所有評分結果傳給 Aggregator 進行彙總：
// 第二階段：將所有評分結果組合，傳給 Aggregator 彙總
Console.WriteLine("\n【階段 2】執行 Aggregator 彙總評分...\n");
var combinedScores = string.Join("\n\n", evaluatorReports);
var aggregatorInput = $"""
以下是 6 個評分面向的結果：
{combinedScores}
請根據上述評分結果，計算總分並輸出最終 JSON 報告。
""";
// 使用 aggregator 的 Kernel 直接呼叫
var aggregatorKernel = Kernel.CreateBuilder()
.AddOpenAIChatCompletion(apiKey: Config.OpenAI_ApiKey, modelId: Config.ModelId)
.Build();
var chatService = aggregatorKernel.GetRequiredService<IChatCompletionService>();
var chatHistory = new ChatHistory();
chatHistory.AddSystemMessage(aggregator.Instructions ?? "");
chatHistory.AddUserMessage(aggregatorInput);
var finalResponse = await chatService.GetChatMessageContentAsync(chatHistory);
var finalReport = finalResponse.Content;
Console.WriteLine("【最終評分 JSON】");
Console.WriteLine(finalReport);
執行系統後，會得到類似以下的輸出：
【原始文件】
昨（10）日是國慶日，中國選擇在這時機公布3名水軍名單，表示他們散布台獨相關言論。今（11）日更進一步發布懸賞通告，指稱掌握我軍方的「心戰大隊」，共18人的姓名、身分證號跟照片全被公開。
中共公安部門近日發布通告，聲稱接獲民眾舉報，指台灣民進黨當局涉嫌透過設置「反動宣傳媒介」與製作、傳播「反動遊戲」等手段，對兩岸民眾進行煽動與宣傳，造成惡劣影響。通告中中共指控台灣軍方的「政治作戰局心理作戰大隊」（簡稱「心戰大隊」）長期策劃並執行「煽動分裂國家」的相關行動。
中共公安機關宣布，決定懸賞徵集包括18名「心戰大隊」核心人員的違法犯罪線索，凡是提供有效線索者，或協助公安機關抓獲相關嫌疑人的民眾，將可獲得人民幣1萬元（約新台幣4萬3千元）獎勵。
而在公布這波名單前，昨日中共國家安全部也聲稱，發現一批疑似被用於「操控輿論、散播台獨言論」的網路帳號，並點名3人在網路上散布台獨相關言論，公布姓名和背景。對此，國防部軍事情報局進一=== Semantic Kernel AI Agent 系統 ===
Hello, News Rigor Agent!
【原始文件】
昨（10）日是國慶日，中國選擇在這時機公布3名水軍名單，表示他們散布台獨相關言論。今（11）日更進一步發布懸賞通告，指稱掌握我軍方的「心戰大隊」，共18人的姓名、身分證號跟照片全被公開。
中共公安部門近日發布通告，聲稱接獲民眾舉報，指台灣民進黨當局涉嫌透過設置「反動宣傳媒介」與製作、傳播「反動遊戲」等手段，對兩岸民眾進行煽動與宣傳，造成惡劣影響。通告中中共指控台灣軍方的「政治作戰局心理作戰大隊」（簡稱「心戰大隊」）長期策劃並執行「煽動分裂國家」的相關行動。
中共公安機關宣布，決定懸賞徵集包括18名「心戰大隊」核心人員的違法犯罪線索，凡是提供有效線索者，或協助公安機關抓獲相關嫌疑人的民眾，將可獲得人民幣1萬元（約新台幣4萬3千元）獎勵。
而在公布這波名單前，昨日中共國家安全部也聲稱，發現一批疑似被用於「操控輿論、散播台獨言論」的網路帳號，並點名3人在網路上散布台獨相關言論，公布姓名和背景。對此，國防部軍事情報局進一步反擊，認為中共散布此類不實訊息，係其長期運用各種手段，污衊國軍之慣用伎倆。
【階段 1】執行 6 個評分代理並行評分...
【6 個評分結果】
{"score":3,"reason":"文本多為描述性敘述與官方發布通告，包含1萬元懸賞、18人姓名身分等零星量化數據，但無明確文件片段或多組數據。"}
---
{"score":5,"reason":"文本同時呈現中共及台灣軍方的說法，標題和語氣中性，未見明顯傾向。"}
---
{"score":3,"reason":"有明確主題且大致分段，但導言缺乏全面5W1H，段落主題交錯。部分專有名詞如「心戰大隊」僅簡要提及，未詳細定義。"}
---
{"score":3,"reason":"有提及中共公安部門、國家安全部、國防部軍事情報局等具體機構，但未列舉具體報告、通告文件名或詳細日期。"}
---
{"score":5,"reason":"標題與內文描述皆圍繞中共公佈名單、懸賞，對台灣軍方與網路行動，細節前後呼應無矛盾。"}
---
{"score":5,"reason":"文本多次明確標示中共方、台灣國防部的主張和指控（如『聲稱』『認為』『指控』），區分敘述各方說法，無論斷因果。"}
---
【階段 2】執行 Aggregator 彙總評分...
【最終評分 JSON】
{
"scores": {
"source_specificity": { "score": 3, "reason": "有提及中共公安部門、國家安全部、國防部軍事情報局等具體機構，但未列舉具體報告、通告文件名或詳細日期。" },
"evidence_density": { "score": 3, "reason": "文本多為描述性敘述與官方發布通告，包含1萬元懸賞、18人姓名身分等零星量化數據，但無明確文件片段或多組數據。" },
"inference_rigor": { "score": 5, "reason": "文本多次明確標示中共方、台灣國防部的主張和指控（如『聲稱』『認為』『指控』），區分敘述各方說法，無論斷因果。" },
"balance_bias": { "score": 5, "reason": "文本同時呈現中共及台灣軍方的說法，標題和語氣中性，未見明顯傾向。" },
"consistency": { "score": 5, "reason": "標題與內文描述皆圍繞中共公佈名單、懸賞，對台灣軍方與網路行動，細節前後呼應無矛盾。" },
"clarity_structure": { "score": 3, "reason": "有明確主題且大致分段，但導言缺乏全面5W1H，段落主題交錯。部分專有名詞如「心戰大隊」僅簡要提及，未詳細定義。" }
},
"weighted_total": 80,
"grade": "B",
"highlights": [
"敘述雙方觀點，平衡公正",
"邏輯與細節前後一致",
"事實與立場分明標示"
],
"red_flags": [
"證據細節有限，量化數據稀少",
"部分專有名詞未充分解釋",
"缺乏官方文件原文及清楚來源"
],
"final_summary": "本文在平衡度及邏輯一致性方面表現優異，能夠分明標示事實與各方立場，呈現中共及台灣軍方說法並無明顯偏頗，是資訊透明度高的報導。但在證據呈現方面仍有不足，缺少明確的文件細節和量化數據，部分專有名詞未加詳解，使理解層次略有限制。總體而言，報導具備參考價值，能幫助讀者認識雙方立場，但若需深入研判事實細節，尚須輔以官方原始文件及更明確的佐證。"
}
今天實作的新聞嚴謹度評估系統展示了 Semantic Kernel Multi-Agent 的協作能力。透過將複雜任務拆解成多個專業 Agent 並行處理，再由 Aggregator 統一彙總，提升處理效率，也讓每個 Agent 的職責更加明確。
這種「分而治之」的設計模式在處理複雜分析任務時特別有效，每個 Agent 只需專注於自己的評估面向，不需要理解整個系統的複雜邏輯。同時，透過結構化的 JSON 輸出，也讓評估結果更容易被後續系統使用與分析。
在實際應用中，可以根據不同產業需求調整評估面向與權重，例如金融新聞可能更重視數據準確性，政治新聞可能更重視平衡性，讓這個系統具有高度的彈性與適用性。
iThome鐵人賽
看影片追技術