这个标题我想了很久。不是因为它技术难度高，而是因为“AI不做裁判”这件事，在思路上和大多数人的直觉拧着来。市面上几乎所有AI讨论工具，默认都带打分、排名、总结陈词、判定一致性，哪怕不做裁判状，也多少会透出“我比你更懂这场讨论”的味道。我做的这套系统，恰恰是把这些能力全部拆掉，让AI退回成一个坐在圆桌旁、负责把话接住的人。文章会从设计动机、核心架构、实现细节、踩坑过程到边界取舍都摊开讲，适合正在做AI讨论类产品、社区话题聚合工具，或者想改造现有AI客服/助手的同学参考。
1. 为什么“AI不做裁判”反而更难做
1.1 裁判式AI的天然陷阱：评价即压制
过去两年我做过不少AI协作类项目，有一个共同规律：只要系统里存在“打分”“排序”“总结共识”这类机制，用户很快就会停止真正讨论，转而开始“猜测AI喜欢什么答案”。这不是用户的问题，是架构设计出了问题。
裁判式AI天然会把对话拖向一个隐形的中心。比如某个AI讨论系统内置了“观点质量评分”，参与者写完发言后，系统给出8.2分、7.5分这样的数字。那么下一轮发言时，大多数人不会想“我还有什么不同想法”，而是想“怎么把分刷到9分以上”。讨论变成了应试，AI不再是工具，变成了判官。
更隐蔽的陷阱是“总结共识”。很多系统为了让讨论看起来高效，喜欢在每轮结束后由AI输出“目前大家的一致观点是”。听起来没问题，但实际上只要AI承认“一致观点”存在，后续发言就会被框架束缚——你再说反对意见，就是在挑战“共识”。但真实讨论里，所谓共识往往是未经验证的、被语言表面遮蔽的假象。AI提前固化共识，等于替用户做了判断。
所以我在设计这套讨论系统时定下三条铁律：不排序、不打分、不判谁赢。这三条不是宣传口号，是写进系统级约束的硬规则，后面所有模块都围着它转。
1.2 讨论系统真正需要的，是“接话”而不是“结案”
那讨论系统里AI到底该干什么？我的答案是：接话，不结案。
现实中一场好的讨论，主持人通常做三件事：复述发言者的核心意思，让在场人确认“我有没有听懂你”；提出一个承上启下的问题，把话题引向尚未被展开的角度；在两个人观点明显错位时，指出双方各自的前提差异。主持人不做裁判，不宣布谁的观点更好，不总结“本场讨论结论”，更不会在最后评选“最佳发言”。
这套逻辑搬到AI讨论系统里，就是四个核心能力：复述、提问、连接、沉默。前三个好理解，最后这个“沉默”很容易被忽略。真实讨论里，不是每句话都需要被接住。AI如果每轮都输出引导语，讨论节奏会被彻底打乱。所以系统里必须设计“AI不发言”的状态，让AI在某些时刻主动退场，只做记录，不参与插入。这一点在后面的状态机里我会详细讲。
1.3 既然“不评判”，如何评估系统做得好不好
没有打分，没有排序，没有输赢判定，那么产品效果怎么度量？这是整个项目里最容易被挑战的点。我们最终放弃了所有“讨论质量分数”类指标，改成三个行为指标：
- 发言延续率：一个用户在收到AI的提问或复述之后，继续发言的概率。
- 话题展开宽度：单位时间内，讨论中出现的新概念、新角度数量。
- 参与者主动引入率：用户主动回应他人发言的比例，而不是只回应AI。
这三个指标都不是打分，它们衡量的是“讨论是否在流动”。流动的东西很难用分数定格，但可以用趋势观察。比如某次讨论里发言延续率从60%掉到35%，说明AI插入频率太高，用户被问烦了，需要降低AI发言频率。这比“观点质量分下降”要好定位得多，也更接近讨论本身的价值。
2. 系统架构：让“不排序、不打分、不判输赢”真正落地
2.1 三原则如何翻译成系统约束
“不排序、不打分、不判谁赢”不是一句口号，需要在架构层面落实成强约束。我们直接用三层来实现。
第一层是提示词层的硬性禁令。所有进入模型的系统提示词里，不仅写“不要打分”，还写“禁止输出任何形式的排序、推荐、优劣比较、共识总结、会议纪要、行动项清单”。注意，不能只写“不要打分”，因为模型经常不把“更好”“更优”“关键在于”这类表达视为打分。所以我们用了负面清单加示例方式，把所有类似表达全部封死。
第二层是输出解析层的阻断。模型偶尔还是会漏出“整体来看，大家的观点可以分为两类”这种结构。这个我们不靠模型自觉，而是在输出解析层做关键词捕捉，一旦命中“整体来看”“结论是”“最优”“一致认为”“建议采纳”等词，该段内容直接被截掉，不进入消息列表。宁可少说，也不让AI越界。
第三层是交互层面的强制手段。用户可以对AI任何一条发言进行“标记为越界”，标记后这条消息进入受限列表，同时该轮上下文会追加一条提示：“用户认为这句话越界，后续避免形式化总结和评价。”这个设计非常重要，因为大模型的边界感靠提示词维持，而提示词永远不够具体。只有把纠正行为纳入系统闭环，边界才会越来越清晰。
2.2 核心管线：人类发言 → AI能力门控 → 讨论日志
整个系统没有复杂的语义网络，核心管线就一条：
用户发言 → 写入讨论存储 → 触发能力选择器 → AI生成候选响应 → 规则过滤器 → 输出到讨论区
关键在“能力选择器”。它不是一个单一Prompt，而是一组独立的AI Agent，每个Agent只负责一种能力：
- 复述Agent：只做内容转述，不加评价。输入是用户最新发言，输出是“我听到的重点是X，对吗？”
- 提问Agent：只生成开放式问题，禁止“是否式”提问，禁止建议方向。
- 连接Agent：只负责指出两段发言之间的关系，比如“你提到了成本，刚才有人提到时间，这两者之间是否存在取舍？”
- 沉默Agent：判定当前是否适合AI不发言，输出空消息。
每个Agent互相独立，互不串联。这样可以避免一个Prompt里同时要求“复述+提问+连接+总结”导致的角色混乱。模型在多任务Prompt下最容易失控，拆开之后每个Agent的任务边界非常小，越界概率大幅下降。
2.3 状态机：决定AI“何时闭嘴”的关键机制
如果AI每轮都输出内容，讨论很快就会变成“用户回答AI提问”的问答环节，而不是“用户和用户讨论”。为了处理“何时不发言”，我们设计了一个轻量状态机。
状态机只有四个状态：待命、活跃、观察、暂停。
- 待命：上一轮已有AI发言，当前轮默认AI不发言，除非用户主动@AI。
- 活跃：AI检测到讨论中出现明显信息缺口（比如某个观点无人回应），可以主动发起一次提问。
- 观察：连续三轮用户发言之间没有AI插入，AI进入观察模式，只记录不输出。
- 暂停：某位用户连续发言两条以上，AI自动暂停一轮，避免抢话。
这个状态机的触发条件我们调了很多轮。早期版本里AI太爱插话，明显是在刷存在感。加入状态机之后，我们把AI的发言频率从每轮必答降到了大约每4到5轮发言一次，讨论的流畅度反而显著提升。
3. 关键能力拆解：复述、提问、连接、沉默如何实现
3.1 复述Agent：不加评价地接话
复述是整个讨论系统里最重要的能力，也是训练门槛最高的能力。因为复述很容易变成“讨好式复述”，比如“你说得真好”“这是一个非常深刻的观点”。这类话属于隐性评价，系统里绝对禁止。
我们给复述Agent的约束是这样写的：
你只复述发言者表述过的信息，不加入你个人对其质量、重要性、情感的评价。 复述必须使用发言者自己的关键词，可以调整语序，但不得添加发言者未提及的因果和推论。 如果发言包含多个要点，只选择其中最多两个要点进行复述，不要贪多。 如果发言内容模糊不清，直接说：“我还没完全跟得上，你能换一种说法吗？”不要假装听懂。注意最后一条。传统AI系统会强行理解模糊发言，搞出一段看似合理但完全跑偏的复述。我们要求模型在信息不足时主动承认“没听懂”，因为讨论中承认不理解和给出一个错误理解相比，前者对讨论的伤害小得多。
实际运行里，复述Agent经常会犯一个毛病：把发言者的观点“加工”得更完整、更逻辑自洽。这在传统场景是优点，但在讨论场景是灾难。一旦AI把发言者没说完的逻辑补完，发言者要么被迫承认“对，我就是这个意思”（哪怕其实不是），要么需要花更多力气纠正AI，讨论成本急剧上升。所以我们在复述Agent里强制加入“字面度”参数，类似解码阶段的重复惩罚系数，越高越贴近原文，我们最终设置为0.9。
3.2 提问Agent：开放式问题比引导式问题难得多
提问Agent的目标是展开讨论，而不是推动议程。这里最容易踩的坑是“引导式提问”，比如“你觉得是不是应该优先考虑成本？”这种问题表面开放，实际上已经把方向设定为“成本优先”。我们通过三类约束来规避：
- 禁止带预设答案的形容词，如“更好的”“更合理”“更重要”。
- 禁止“是不是应该”句式，强制使用“你怎么看”“你用什么标准判断”。
- 如果用户发言里已经包含“我认为A是主要原因”，提问Agent不得质疑A本身，而是问“如果A不是主导因素，你觉得还可能是哪种情况？”这个问法不是挑战用户，而是扩展可能空间。
为了防止提问Agent变成“提问机器”，追问得太密，我们在提问Agent和用户最近三条发言之间加了一个冲突检测模块。如果用户刚刚被提问过，且新发言不是对上一问的回应，则提问Agent产出的问题被挂起，优先触发复述Agent。这一套组合动作在体验上很像真人主持人：接住一次发言之后，不会立刻连珠炮式追问，而是留出让别人插话的缝隙。
3.3 连接Agent：指出关系，不建立联盟
连接Agent负责的是“A和B的观点之间存在什么关系”，但它不能给出“A反对B”这种胜负式判断。它只做两件事：指出双方提到的不同维度，指出可能被忽略的交集。
我们给连接Agent的提示词里有这样一段：
你只陈述两段发言在话题层面的关联，不评价谁更合理。 使用格式：“我注意到刚才X更多在谈[维度一]，Y更多在谈[维度二]，这两个维度之间可能存在某种张力，但我不确定它是什么。” 禁止输出：矛盾、冲突、对立、反驳、同意、反对。实际用下来，“张力”这个词很好用，它表述了差异，又不把差异定性成冲突。参与者往往会在AI指出张力后继续解释自己的出发点，讨论自然向前推进。
连接Agent还有一个隐藏功能：识别“伪共识”。当两段发言表面相似但实际维度不同，比如一个人说“成本重要”，另一个人也说“成本重要”，但他们一个指开发成本、一个指使用成本，连接Agent会指出“你们都在谈成本，但你谈的是生产侧，他谈的是消费侧”。这种连接不判谁对，只是把概念边界拉开，参与者就会意识到“原来我们说的不是一个成本”。很多讨论的卡壳，都是因为概念边界不清晰，而这个工作让AI来干非常合适。
3.4 沉默Agent：AI缺席也是一种能力
沉默Agent的实现不复杂，但逻辑上很容易被忽视。它的输入不是单纯的最近发言，而是整场讨论的结构化日志，包括每个用户的发言次数、AI上次发言时间、当前状态机状态。
沉默Agent的判定规则：
- 如果最近6条消息里有超过3条来自同一用户，且该用户没有直接@AI，沉默概率提升，避免AI去抢话头。
- 如果上一个AI发言已经引发了2条以上自然回复，沉默概率大幅提升，让讨论自己跑一会。
- 如果当前话题正在两位用户之间直接交锋，沉默概率达到最高，因为AI插进去会变成裁判或不速之客。
- 如果连续N轮没有AI发言，进入活跃状态，主动抛出一个提问。
沉默Agent产出的空消息不会真的写入讨论区，但会在日志里记录一条silent_event，方便后续分析AI干预频率是否合理。整个系统不追求AI每轮都在场，而是追求AI在关键节点刚刚好出现。
4. 防止“隐性裁判”渗入系统：调参、过滤与观测的实战细节
4.1 解码参数：温度、Top-p和重复惩罚怎么配合
就算提示词把“不要评判”写得再死，模型在解码阶段也会因为概率分布而偶尔冒出“总的来说”“更有说服力”这类词汇。我们试过纯靠提示词控制，效果不稳定，最终是从解码参数上做压制。
参数配置如下：
- temperature = 0.4：太高容易发散到评价性表达，太低则容易机械复述。0.4是我们试出来相对稳的点。
- top_p = 0.9：保持一定的措辞多样性，但不至于飘。
- frequency_penalty = 0.3：轻微惩罚重复用词，减少AI频繁使用“所以”“本质上”“事实上”这类总结性连接词。
- presence_penalty = 0.0：我们不额外鼓励引入新词，因为讨论类场景中新话题应该由人发起，而不是AI。
这几个参数单独看没什么特别的，组合起来效果差异很大。尤其是frequency_penalty，如果拉到0.6，AI发言会显得干巴巴，句子很短，用户觉得AI冷漠；如果调到0，AI又开始出现“综上所述”这种极其裁判味的短语。
调参不能凭感觉，我建议做一个小型评测集，里面放50条典型的讨论发言，每条都跑5遍，统计“越界表达出现率”。越界表达包括排序词（最、更、比X好）、总结词（总之、最终、结论）、评判词（值得肯定、有待提升、确实合理）。目标是把越界率压到2%以下，这个指标比任何“对话质量评分”都直观。
4.2 输出过滤器：关键词不是万能，但必须要有
有同事问过：既然提示词已经写了“不要总结”，为什么还要做输出过滤？答案很简单：LLM的输出不受你控制的概率一直存在。再好的提示词，也有一定概率在长上下文里失效。输出过滤器是最后一道保险丝。
我们的过滤词表分三类：
- 硬阻断词：结论、最优、最佳、应优先、一致认为、建议团队、行动计划。命中即整句删除。
- 软阻断词：更好、更合理、更有效、核心问题、关键点。命中后该句不显示，但日志保留。
- 降权表达：我觉得大家、总体来说、本质上。这类词不阻断，但会自动在AI回复前面加一条“仅供参考”的软提示，不过因为这句话本身也很裁判味，后期我们基本都改成直接删除了。
过滤器最大的问题不是漏拦截，而是误伤。比如“更”字，正常情况“你可以再多说一点你会怎么处理这件事吗”里没有“更”，但如果发言者说“你可以更详细地说明吗”，这个“更”就会触发软阻断，导致AI看起来像没听懂。所以我们做了上下文感知：只有“更”后面紧跟评价性形容词（更好、更合理、更有效）才触发早期规则，后面逐步替换成模型分类器来做软判断。
4.3 可观测性：每次AI发言都留痕
“AI不做裁判”这件事，靠的不是AI自身的领悟，而是系统对每一次越界都有记录。我们在每条AI消息落库时都会附带上一个metadata数组，记录它通过了哪些Agent、命中了哪些过滤规则、在解码时是否出现过“疑似越界表达但被过滤掉”的事件。
用户端也做了“越界标注”按钮。用户觉得AI这句话在评价、排序或总结，直接点一下，该反馈会进入样本池，定期用来微调提示词和过滤器。这个设计把“AI是否越界”的判断权交给用户，而不是交给产品经理拍脑袋。做了三个月后，我们积累了一批非常有意思的样本，比如“AI只是问了一句‘你觉得你考虑过成本吗？’就被用户标记为越界”——因为用户觉得这句话隐含了“你没考虑成本”的指责。
这类反馈是纯规则系统永远无法发现的。所以如果你也做类似系统，我强烈建议从第一天就把用户标注机制做进去，否则你根本不知道真实用户对被“裁判”这件事有多敏感。
4.4 人工接管：用户永远是讨论的最终所有者
不管AI设计得多克制，总会有场景需要更强的干预。所以系统保留了三个用户侧控制功能：
- 一键中止AI发言：接下来10分钟内，AI不再生成任何回复，只做记录。
- 定向禁言：如果某个Agent（比如提问Agent）在某一轮产生的内容明显不对，用户可以直接禁用它，直到下次会话重新启用。
- 话题转向标记：用户标记“我们不想讨论这个问题”，AI会把当前话题上下文冻结，不再主动围绕该话题追问，但不会删除已有记录。
这三个功能听上去简单，实际实现时最容易出问题的是“一键中止”和“状态机”的冲突。状态机如果还在活跃状态，会在10分钟结束后自动补一次提问，导致AI强行回归。所以一键中止要同时重置状态机，把状态直接切到暂停，并把所有Agent的活跃计数清零。不开玩笑，这个Bug我调了两天才发现。
5. 一次真实运行：三人小组围绕“远程办公效率”的讨论实录
5.1 讨论背景与系统初始状态
让系统跑起来之后，我们组织了一次内部测试。三位参与者分别叫A、B、C，讨论话题是“远程办公到底会不会降低团队效率”。系统初始状态为待命，AI不主动发言，仅当用户@AI或检测到明显冷场（连续100秒无人发言）时才活跃。
第一轮，A先发言：“远程办公最大的问题是信息不同步，特别是异步沟通导致的等待时间太长。”这里AI没有抢话，状态机保持在待命。C接话说：“但我觉得信息不同步不是远程带来的，而是工具没到位，线上文档写清楚了一样可以同步。”B随后补充：“工具是其次，关键是大家自觉不自觉，有些人线上就会摸鱼。”
这三轮发言中，复述Agent和连接Agent都在后台跑了，但输出层没有强制展示。第4轮时，A直接@AI问：“你怎么看我们这段讨论？”如果这是传统AI，大概率会输出一段“你们分别从工具、自律、沟通三个角度进行了分析，结论如下”。我们的系统输出的是：
“我注意到几位在谈的是‘不同步’和‘自觉性’两个因素。A认为导致等待的原因是异步本身，C认为是工具，B认为是人的习惯。我不确定他们之间是否共享同一个‘效率’的定义。这一轮我不做评判，只想问：如果三位的标准都不一样，讨论‘降低效率’有意义吗？”
这段内容严格看，没有排序、没有打A或B的脸、更没给出“最优解”，只有一个真实存在但被三人忽视的问题：他们一直在讨论“效率”，但三个人对效率的定义可能根本不同。A指的是交付速度，C指的是任务透明度，B指的是投入时间。这个提问瞬间把讨论拉回到概念层，之后三人的发言从“争辩谁对”转向“互相解释自己心中的效率指标”。
5.2 关键节点：AI如何做到“不接话，但推进讨论”
测试过程中最有意思的是“沉默”发挥了作用。在讨论到第9轮时，A和C就“KPI能不能衡量效率”产生了直接交锋。A说KPI能反映问题，C说KPI只是结果指标，看过程才重要。B试图插话，但被A打断。这一轮状态机判定为“用户正在直接交锋”，沉默Agent输出空消息，AI整轮没有任何反应。
结果很意外。A和C在两个来回后，自己发现观点差异在于“用KPI考核的周期粒度不同”——A按季度看整体产出，C按任务看过程动作。这个共识不是AI引导出来的，而是参与者自己摸索出来的。如果AI插进去总结“你们的核心分歧是考核粒度”，虽然也能点破，但会剥夺参与者发现问题的成就感，而且会引入一个当时没人提起的概念，后续所有发言都会围绕AI的概念转。沉默，让讨论回归了人的节奏。
第11轮，B问系统：“我听着大家其实都在谈管理方式，不完全是远程办公的问题，对吧？”这时候AI没有直接点头，而是启动连接Agent，回复：
“B刚才把话题引向‘管理方式’，我梳理了一下前面的发言：A提到信息同步流程，C提到工具后隐藏的流程设计，B提到自觉性的管理假设。三者确实都落在管理维度。但我不急着说‘你们其实在谈同一个问题’，因为这可能抹掉各自间的差异。你们可以同时保留‘远程特有的问题’和‘管理本身就存在的问题’两条线索。”
这段回复有人说是不是有点“绕”？但实测下来，这种“不急着统一”的姿态在讨论里非常宝贵。它允许分歧继续存在，而不是强迫收敛。讨论的价值经常不在统一，而在让分歧被充分展开。
5.3 测试后的数据观察
测试跑了45分钟，共产生68条发言，其中AI发言9条，占13%。9条里有复述类4条、提问类3条、连接类2条，零条总结、零条排序。用户主动@AI共3次，另外6次是AI在活跃状态被触发的。
发言延续率我们粗略统计，在AI提问类发言之后，用户紧接着发言的比例达到100%，而且都不止一句。在AI复述类发言之后，经常出现“对，我就是这个意思”“也不完全是，我补充一下”，这两种反应都很好，说明复述不是终结话题，而是开启澄清。连接类发言之后没有立刻引发回复，但后面5轮内相关发言明显变多。
对了，还有一个非常关键的细节：全场没有任何用户去点“越界标注”按钮。这不是因为AI做得完美，而是因为我们在设计上把所有可能越界的点都在系统侧压掉了。用户不需要纠正AI，因为他们根本没感觉到AI像一个潜在的裁判。这就是“无感”设计的目标：好的AI讨论参与者，应该像不存在，又像一直在场。
6. 边界与局限：这套设计解决不了什么问题
6.1 当讨论需要“结论”时，这个系统会失灵
不加评分的代价就是它不适合目标导向型的讨论。比如项目管理决策会、技术方案选型会，这类场景天然需要收敛出一个“下一步做什么”。这套系统只会让讨论不断展开，不会帮你收敛。强行使用会造成“聊得很爽，但没任何产出”的体验。
我给“不排序、不打分、不判谁赢”加一个使用边界：它适合开放式话题的探索、观点多元碰撞的交流、头脑风暴的前半程。但当讨论需要落地为决策时，你还是需要另一个AI或者人来负责总结、收敛和明确行动计划。这两类工具不矛盾，但不是同一个系统可以同时承担的，除非你做两套模式切换，并且把切换变成一个显式的用户动作，而不是AI自动判断。
6.2 “不排序”并不意味着AI没有隐含偏好
还有一个我必须坦白的问题：完全无偏的AI不存在。模型在生成“复述”时，选择复述哪两个要点，本身已经是一种权重判断。你不可能消除这种偏差，只能通过随机化来稀释。我们的做法是在复述Agent里增加一个“要点选择扰动”——同一段发言，如果连续被复述两次，第二次选择另外的要点。这样至少不会反复强化同一信息维度。
但更深层的挑战是：讨论者自己的知识背景会在发言里自然形成权重，AI的复述如果过于“平均”，反而会扭曲原意。所以“不做裁判”不等于“绝对中立”，它更像是一种负责任的偏心：每次只按发言者的优先级走，而不是按AI认为的优先级走。这是AI永远做不完美的地方，也是它不适合被真正授权为裁判的根本原因。
6.3 人始终是讨论的核心，AI只能垫话
如果把这套系统当成“AI作陪聊，人随便说”，那是误解了它的定位。我们最终的经验是：它更像一个脚手架，让人的讨论不坍塌、不跑偏、不卡壳，但它不替代人思考。
实际运营中，我们发现最好的效果出现在参与者本身讨论动能充足的时候。如果参与者就是不想聊，AI再会提问也救不回来。反过来，如果参与者本身思路开阔，AI哪怕只做五次复述，也能让讨论质量提升一大截。所以我的最终建议是：设计这类系统时，把80%精力花在“怎么让人说话”上，只留20%给AI。
讨论这场戏，主角从来是人。AI能做的最好的事，是闭嘴等一会儿，然后问一句：“你刚才说的那个词，能不能再展开讲讲？”
