多智能体共识管线 fangqian616/consensus-pipeline

🧠 Consensus Pipeline

面向学术研究的多智能体辩论框架。
不再让单个 AI 替你写文献综述——而是一支 AI 团队先访谈你，再逐条辩论每个论断，达成共识并给出逐条置信度评分，最后拿来源摘要核对每一条引用。

📖 中文文档 · 📦 GitHub Releases · 🔗 相关项目：Multivest

⚡ 快速开始

三条路径任选其一（建议从 1 或 2 开始）：

🚀 1. 一键安装脚本（最快）

Windows PowerShell
irm https://github.com/fangqian616/consensus-pipeline/raw/main/install.ps1 | iex
macOS / Linux
curl -fsSL https://github.com/fangqian616/consensus-pipeline/raw/main/install.sh | bash

一条命令搞定克隆 + 装依赖 + 打印你的 MCP 配置。

🤖 2. DSH 插件（AI 驱动，推荐）

git clone --depth 1 https://github.com/fangqian616/consensus-pipeline.git
npx -p @deepseek-ai/dsh dsh plugin --profile web add file:./consensus-pipeline/dsh-plugin

然后对 DSH 说一句「consensus-pipeline start」——它会跑完需求访谈 → 部门配置 → 多轮辩论 → 带置信度标注的报告。右下角的 📊 悬浮按钮会实时显示进度、原子级核验和全文上传。

🖥️ 3. Streamlit / 命令行（手动）

git clone https://github.com/fangqian616/consensus-pipeline.git
cd consensus-pipeline
pip install -r requirements.txt

Set the key (export on Linux/macOS, $env: on PowerShell)
export DEEPSEEK_API_KEY="sk-your-key-here"

streamlit run app.py # web UI, browser opens
python run_pipeline_v2.py --topic "Your Topic" # headless CLI

完整跑一轮就是离线批处理任务——启动后丢在后台跑就行，不用盯着。三条路径的全部细节（MCP 配置、全文上传、自定义端点）→ 📖 使用方法

❓ 为什么不直接问 ChatGPT？

单个 LLM 给出的答案听起来很笃定，却没有交叉验证——幻觉会溜过去，相互冲突的观点被抹平，你也分不清哪些结论扎实、哪些只是猜测。

Consensus Pipeline 用结构化多智能体辩论当作质量闸门，取代一次性生成：每条论断都要被独立「部门」挑战，矛盾会被明确摆到台面上，最终结论都带置信度标注（比如「42/77 篇论文，高置信度」）。

可以把它理解成内置的同行评审——不是单个作者，而是一个对抗式委员会。

📸 界面长什么样

第 1 步：需求访谈

流水线从访谈你开始——AI 智能体提出澄清问题，弄清你的研究范围、约束条件和目标。

第 2 步：智能部门配置

根据你的主题，AI 自动生成 10+ 个专门的辩论部门，每个部门配多名辩手。每位辩手从不同的方法论视角展开论证。

第 3 步：多轮辩论

实时观看辩手交锋。每一轮，辩手陈述立场、质疑他人的假设、打磨自己的论证。每个部门默认跑 3-8 轮，辩手一旦收敛就通过动态终止提前结束。

第 4 步：结构化输出

辩论结果整理成 JSON，角色、立场、共识点一目了然——可直接用于生成报告。

第 5 步：带置信度标注的报告

最终报告包含每条结论的置信度评分、方法论对比矩阵，以及核实过的引用。每条结论都会告诉你有多少篇论文支持它。

完整示例报告（148 篇论文，能源经济学）：见 examples/final_report.md

附赠：自动生成的代码与参考文献

流水线还会为关键方法生成可运行的 Python 代码，并整理出一份核实过的参考文献列表。

输出示例

下面是一段真实报告的节选——注意每条结论的置信度标注：

深度学习方法在短期能源负荷预测中占主导 (42/77 篇论文，高置信度)

在多个基准数据集上，LSTM 和基于 Transformer 的模型在 MAE 指标上稳定优于传统 ARIMA 方法 10-40%。不过，方法论审查部门指出普遍存在数据泄漏隐患——多项研究使用了重叠的训练/测试划分，虚高了表面上的准确率提升。

图神经网络在能源网络优化中展现出新兴潜力 (3/77 篇论文，低置信度——趋势尚未确立)

尽管 GNN 在建模电网拓扑方面表现出结构优势，现有证据仅限于小规模测试网络（< 100 个节点）。跨部门验证将这条结论评为「有前景但验证不足」。

每条结论都要先经受多个 AI 智能体的对抗性质疑，才能进入报告。无法从现有摘要中核实的结论会被明确分开，而不是悄悄打分。

🎯 它能做什么

Consensus Pipeline 接收一个研究主题，通过多智能体辩论生成结构化文献综述。

一句话概括这条流水线： 搜索论文 → 3 层 QC 过滤 → 11 个部门逐条辩论每个论断 → 跨部门验证 → 生成带置信度评分的报告。

与 Elicit/Consensus 这类工具的关键区别： 那些工具做的是提取和摘要。这个工具做的是辩论。每条发现都必须先扛住多个 AI 智能体的对抗性挑战，才能进入报告。

核心能力：
- 🔍 多源论文搜索 —— OpenAlex + Semantic Scholar + arXiv，自动去重
- 🏛️ 11 部门多智能体辩论 —— 每个部门有 2-4 名辩手，从不同视角展开论证
- 📊 逐论断置信度标注 —— 每条结论都标注证据数量（例如「42/77 papers, high confidence」）
- ✅ NLI 引用验证 —— 每条论断都对照来源摘要核查，无法验证的论断不计入评分
- 📄 结构化报告输出 —— 导出 Markdown + DOCX + PDF，双语（中/英）

完整功能列表：
- ✅ 多源论文搜索（OpenAlex + Semantic Scholar + arXiv）
- ✅ 3 层 QC：硬过滤 → LLM 分类 → 重要性打标（219 → 77 papers，约 65% 被排除）
- ✅ 10-11 个辩论部门，每个部门有 2-4 名辩手，从不同视角展开论证
- ✅ 多轮辩论，支持动态终止 —— 立场量化（CV）+ Kendall's W 一致性；辩手一旦收敛就提前结束，而不是跑满固定轮数
- ✅ 跨部门验证（一个部门核查另一个部门的成果）
- ✅ 逐论断置信度标注（例如「42/77 papers, high confidence」）
- ✅ NLI 引用验证 —— 逐论断给出判定（✅/⚠️/❌），无法验证的论断（📖 needs-fulltext / 📭 title-only）明确排除在置信度评分之外，而不是悄悄计入
- ✅ 引用错配与过度陈述分类 —— 当摘要和全文都持中立态度时，验证器会告诉你原因：⚠️ 引错论文，还是 ✂️ 措辞夸大
- ✅ 全文 NLI 升级 —— 摘要中立的论断会自动对照论文真实全文复查（OA 来源走 Unpaywall/Semantic Scholar，或你上传的 PDF）
- ✅ 元叙述论断过滤 —— 报告自身的统计数字（「本综述纳入 215 papers」）排除在验证之外，不会污染置信度评分
- ✅ 部门间共识传递 —— 后续部门能看到前面部门的结论（不再是各自为战的辩论孤岛）
- ✅ 忠实转述规则 —— 报告只转述论文明确陈述的内容（不编造数据层级 / 机制方向）
- ✅ 全文补充系统 —— 上传付费论文的 PDF，辩论中途的断点会询问要导入哪些「缺失但必要」的论文，导入的论文强制纳入报告
- ✅ 自动生成可运行的研究方法代码
- ✅ PDF/DOCX 导出
- ✅ 双语输出（--lang en 或 --lang zh）
- ✅ Streamlit UI，实时监控辩论 + 手动/自动收敛模式
- ✅ DSH 控制面板 —— 原子验证卡片、全文批量上传、一键重新验证（带进度条）、待导入列表（暂停 / 继续 / 跳过）
- ✅ 一键安装脚本 —— irm …install.ps1 | iex / curl …install.sh | bash
- ✅ DSH 插件包 —— dsh plugin add，自动克隆项目
- ✅ 种子论文导入 —— 你自己的 PDF 会被强制纳入辩论 + 报告

目前还比较粗糙的地方：

- ⚠️ 英文模式下部分 UI 标签是中英混排
- ⚠️ 不需要 GPU，但完整跑一轮要等一会儿（耗时和成本随主题、论文数量变化）
- ⚠️ 跨部门配对逻辑比较基础（两层回退，未做优化）

🏗️ 工作原理

| 阶段 | 环节 | 做什么 |
| 0 | 需求访谈 | AI 访谈你，了解范围、约束与目标 |
| 0.5 | 领域配置 | AI 生成领域配置（零硬编码） |
| 1 | 结构化 | 提取范围与约束 |
| 2 | 讨论 | 多角度需求讨论 |
| 3 | 配置推荐 | 推荐部门配置 |
| 3.5 | 质检门 | 3 层质量过滤：hard_filter → LLM_classify → tag_layer |
| 4 | 论文检索 | OpenAlex + Semantic Scholar + arXiv —— 去重、摘要回填 |
| 4.9 | 全文抓取 | 自动抓取 OA 全文（Unpaywall → Semantic Scholar → OpenAlex） |
| 5 | 部门辩论（v2） | 11 个部门辩论；立场量化（CV）+ Kendall's W → 动态终止 |
| 5.5 | 全文门 | 交互式断点 —— 导入少量缺失但必需的付费墙 PDF |
| 6 | 交叉辩论 | 各部门互相验证结论 |
| 7 | 报告生成 | 文献综述 + 置信度标注 + 代码 + PDF/DOCX 导出 |
| 7.5 | 引用验证 | 对每条论断做 NLI 验证，比对来源摘要 / 全文 |

11 个研究部门

| 部门 | 辩论什么 |
| 文献检索 | 查哪些数据库、用什么关键词、范围宽还是精 |
| 元数据检查 | DOI 验证、元数据完整性、来源可靠性 |
| 引用网络 | 引用分析、影响力指标、影响图谱 |
| 方法学评审 | 7 维评估：准确性、效率、可解释性等 |
| 数据验证 | 数据源质量、可复现性、潜在偏差 |
| 反证 | 反主流发现、争议识别 |
| 主题聚类 | 主题分组、趋势检测、空白识别 |
| 可视化 | 图表分析、分布模式、数据呈现 |
| 报告整合 | 汇总各部门结论，形成最终结构化报告 |
| 编程 | 推荐哪些工具/方法、生成可运行代码 |
| 教程 | 如何使用研究工具、方法指导 |

置信度标注

报告里的每条结论都带置信度标签：

深度学习方法在短期能源负荷预测中占主导地位（42/77 篇论文，高置信度）

图神经网络在能源网络优化中展现出新兴潜力（3/77 篇论文，低置信度——趋势尚未确立）

不再有无依据的论断。

引用核验报告（NLI）

报告生成后，专门的核验器会用自然语言推理对照检索到的摘要检查每条论断——没有论断能不经审查就发布。

每条论断都会得到明确判定：
- ✅ 已验证——摘要直接支持该论断
- ⚠️ 部分验证——论断只有一部分得到支持
- ❌ 相矛盾——摘要的说法相反
- ❓ 未验证——证据不足（计入评分）

仅凭摘要无法判断的论断会被如实分开，而不是悄悄计入：
- 📖 需要全文——摘要没有覆盖这条论断（不计入评分）
- 📭 仅有标题——没有可用摘要（不计入评分）

因此，总体置信度评分只反映核验器真正能判断的论断。核验时会注入作者元数据，所以检查器先确认「这是对的论文」，再判断内容——能抓出那些看着像真的、实则对不上的引用。

全文补充系统

付费墙论文是诚实的缺口：核验器只能凭摘要判断论断，而很多论断需要真正的全文。流水线分两步补上这个缺口：

1. 阶段 4.9——自动（用户零操作）。 辩论开始前，流水线会为每篇检索到的论文抓取 OA 全文（Unpaywall → Semantic Scholar → OpenAlex），并匹配你放进 fulltext_papers/ 的任何 PDF。
2. 阶段 5.5——交互式中断点。 前几个辩论部门结束后，流水线会提取辩论实际引用的每篇论文，找出既缺全文又必要的那些（共识引用或跨部门引用），然后只请你导入这几篇。
3. 全文 NLI 升级。 摘要判定为中立时，核验器会抓取全文重新检查：蕴含 → ✅ 已验证；矛盾 → ❌；仍中立 → 归类为 ⚠️ 引用不匹配（论文不对）或 ✂️ 论断夸大（论文对，措辞太强）。
4. 强制纳入。 你导入的论文会标记为 weight=core，保证在报告中占一席之地——你上传的内容绝不会白费。

上传 PDF 有两种方式：
- DSH 控制面板——批量上传（文件名随意；DOI 会从 PDF 内部自动提取），然后一键重新核验
- 把文件拖进 fulltext_papers/，再运行 --rerun-67，只重新生成报告 + 核验阶段

质控部门（三层过滤）

最大的质量关口。三层确保零污染：
- 第一层——硬过滤：通过 LLM 生成的排除信号，剔除明显跑题的论文
- 第 2 层 — LLM 分类：LLM 判断每篇论文属于哪个领域
- 第 3 层 — 重要性打标：分成核心 / 方法 / 背景三档

能源经济学的实测结果：219 → 77 篇，排除率 64.8%。

动态领域配置

没有硬编码关键词。排除信号、查询轮换、分档定义，全部由 LLM 根据你的主题生成。从「能源经济学中的 ML」换成「医疗中的 LLM」？零代码改动。

📖 用法

三种方式运行 Consensus Pipeline，挑一个：

| 入口 | 适合 |
| 🚀 一键安装器 | 最快上手 —— 一条命令完成 clone + 安装 + 打印配置 |
| 🤖 DSH / MCP（AI 智能体） | 让 AI 智能体在聊天里驱动（DeepSeek Harness、Claude、Cursor…） |
| 🖥️ Streamlit / 命令行（手动） | 本地自己跑，看辩论过程，写脚本调用 |

🚀 方式 1：一键安装器（推荐）

发给别人一条命令，它自己装好。不用再单独 clone / pip / 配置。

Windows（PowerShell）：

irm https://github.com/fangqian616/consensus-pipeline/raw/main/install.ps1 | iex

macOS / Linux：

curl -fsSL https://github.com/fangqian616/consensus-pipeline/raw/main/install.sh | bash

它做的事：git clone → pip install -r requirements.txt → 打印你所用 MCP 客户端的 mcp.json 片段。

然后把打印出的片段粘进 MCP 客户端（mcpServers.consensus-pipeline → python mcp_server.py）。支持：Claude Desktop、Cursor、Codex，以及任何兼容 MCP 的智能体。

💡 需要 git 和 python3.10+。首次 pip install 要 1-2 分钟。

🤖 方式 2：AI 智能体（DSH / MCP）

DSH（DeepSeek Harness）—— 原生工具 + 控制面板

按 bundle 安装（自动注册原生工具 + /consensus-pipeline/ 面板）：

git clone --depth 1 https://github.com/fangqian616/consensus-pipeline.git
npx -p @deepseek-ai/dsh dsh plugin --profile web add file:./consensus-pipeline/dsh-plugin

或者本地开发时，把插件目录链接进 DSH 的 node_modules，然后重启。

首次使用时，插件会自动把整个项目 clone 到 ~/.dsh/consensus-pipeline（这样 Python 的 mcp_server.py 始终在位 —— 不用手动 clone）。右下角会出现 📊 控制台 浮动按钮。

日常使用：

1. 在聊天里告诉智能体你的研究方向 → 它跑需求访谈，然后启动管线。
2. 点 📊 控制台 打开面板 —— 实时进度、原子校验、全文上传。
3. 到 Phase 5.5 断点，会出现 ⏳ 待导入列表：暂停，把付费墙后的 PDF 丢进去，继续。

💡 提示： 想通过 DSH 启动管线，可以试着说：「共识管线开始需求调研」 —— DSH 会启动需求访谈，带你走完整个管线。

任意 MCP 客户端（Claude Desktop / Cursor / Codex…）

MCP 服务器零依赖（纯标准库）。把任意 MCP 客户端指向它：

{
"mcpServers": {
"consensus-pipeline": {json
"command": "python",
"args": ["/path/to/consensus-pipeline/mcp_server.py"]
}
}
}

上面的一键安装脚本会直接打印出这段配置。

🖥️ 方式 3：Streamlit / 命令行（手动）

自己跑——可视化界面或无头脚本都行。

Streamlit Web UI
bash
git clone https://github.com/fangqian616/consensus-pipeline.git
cd consensus-pipeline
pip install -r requirements.txt
streamlit run app.py

浏览器会打开 http://localhost:8501。在侧边栏里：粘贴你的 DeepSeek API key，选一种语言，然后启动学术流水线——AI 访谈官会询问你的课题，生成辩论部门，多轮辩论随即开始并实时监控。

命令行（无头） bash
git clone https://github.com/fangqian616/consensus-pipeline.git
cd consensus-pipeline
pip install -r requirements.txt

设置 API key： bash

Linux/macOS

export DEEPSEEK_API_KEY="sk-your-key-here"

Windows (PowerShell)

$env:DEEPSEEK_API_KEY="sk-your-key-here"

…or create a .env in the project root: DEEPSEEK_API_KEY=sk-your-key-here

运行 v2 流水线（推荐——立场量化 + 动态终止）： bash
python run_pipeline_v2.py --topic "Machine Learning in Energy Economics" --lang en

中文（默认）

python run_pipeline_v2.py --topic "碳市场价格预测与能源转型关联机制研究"

可选：先做需求调研（Phase 0-3 → 部门配置）： bash
python run_requirement_research.py --topic "你的课题"

只重跑报告 + 验证阶段（在补充全文 PDF 之后）： bash
python run_pipeline_v2.py --topic "你的课题" --output-dir "v2_run_output/<run-dir>" --rerun-67

输出落在 v2_run_output/<date>_<topic>/（v2）或 run_output/（v1）——Markdown + DOCX 报告、citation_verification.json、辩论日志，以及生成的图表。

全文补充（付费墙论文）

付费墙后面的论文，光靠摘要没法验证。有两种办法补上这块：

- DSH 控制面板——批量上传付费墙 PDF（文件名随意，DOI 自动提取），一键重新验证并显示进度条，待导入列表支持暂停 / 继续 / 跳过。
- 命令行 --rerun-67——把 PDF 丢进 fulltext_papers/，然后只重新生成报告 + 验证阶段（复用已完成的辩论）。

自定义 API 端点（可选）

任何兼容 OpenAI 的 API 都能用： bash
export DEEPSEEK_API_KEY="your-key"
export DEEPSEEK_MODEL="deepseek-v4-flash" # or deepseek-v4-pro
python run_pipeline_v2.py --topic "Your Topic" --lang en

📋 前置要求

| 要求 | 说明 |
| Python 3.10+ | 推荐 3.11+ |
| DeepSeek API Key | 注册——调用 LLM 必需 |
| git | 用于一键安装脚本 / 克隆 |
| 网络 | 能访问 DeepSeek API（支持自定义端点） |

💡 不需要 GPU。不需要数据库。论文检索走免费开放 API（arXiv / Semantic Scholar / OpenAlex）。

⚙️ 配置 API 密钥

| 变量 | 是否必填 | 说明 |
| DEEPSEEK_API_KEY | ✅ 是 | 调用 LLM 的 API 密钥 |
| EASYSCHOLAR_SECRET_KEY | 否 | 增强期刊排名（可选，缺失时回退到 209 种期刊的本地注册表） |

支持的模型

| 服务商 | API URL | 测试所用模型 |
| DeepSeek | https://api.deepseek.com/v1 | deepseek-v4-flash（辩论）、deepseek-v4-pro（验证/报告） |
| OpenAI | https://api.openai.com/v1 | gpt-4o（兼容） |
| 自定义 | 任意 OpenAI 兼容端点 | 任意模型 |

在 Streamlit 侧边栏设置 API 密钥和模型，也可以通过环境变量设置。

📁 项目结构

consensus-pipeline/
├── install.ps1 / install.sh # One-shot installers (clone + pip + mcp.json)
├── app.py # Streamlit main app
├── router.py # AI Router — smart department config ├── debate_engine.py # Core debate engine ├── config_manager.py # Config persistence & presets ├── run_pipeline.py # CLI runner (v1) ├── run_pipeline_v2.py # CLI runner (v2) — stance quantification + dynamic termination ├── stance_quant_v2.py # v2 stance quantification (CV + Kendall's W convergence) ├── run_requirement_research.py # Requirement research (Phase 0-3) ├── paper_importer.py # Seed-paper import (PDF → metadata) ├── consensus_meter.py # Consensus gauge dashboard ├── mcp_server.py # MCP server (zero-dependency) ├── panel.html # DSH control panel (verification card + full-text upload) ├── dsh-plugin/ # DSH plugin bundle (mounts /consensus-pipeline/ + native tools) │ ├── index.js # panel routes + JSON-RPC tools + auto-clone │ └── cordis.patch.yml # bundle patch ├── fulltext_papers/ # User-uploaded paywalled-paper PDFs (gitignored) ├── quality_controller.py # QC department (3-layer filter) ├── domain_config_generator.py # Dynamic domain config ├── docx_exporter.py # Word export ├── pdf_exporter.py # PDF export ├── academic/ # Academic research module │ ├── search_engine.py # Multi-source paper search │ ├── journal_classifier.py # Journal quality sieve │ ├── journal_registry.py # 209-journal local registry │ ├── cross_validator.py # Cross-validation & topic clustering │ ├── report_generator.py # Report generation with confidence │ ├── report_visualizer.py # Report charts │ └── visualizer.py # Academic charts (trends, distributions) ├── requirement/ # Requirement & verification module │ ├── interviewer.py # AI interview agent │ ├── structurer.py # Scope & constraint extraction │ ├── discussion_group.py # Multi-angle requirement discussion │ ├── config_recommender.py # Department config recommendation │ ├── citation_verifier.py # NLI citation verification (full-text upgrade + mismatch/overstatement) │ └── fact_checker.py # Key-conclusion fact checking ├── templates/ # Debate prompt templates ├── presets/ # Built-in presets ├── docs/ # Quickstart & preset guides ├── examples/ # Screenshots & example outputs └── user_profiles/ # Interview profiles

🗺️ 路线图

| 优先级 | 功能 | 状态 |
| P0 | 修复英文模式下 UI 标签中英混排 | 进行中 |
| P1 | 语义引用验证 | ✅ 已在 v0.12 发布（基于 NLI） |
| P1 | 子主题查询拆分 | 计划中 |
| P1 | 发表偏倚检测（漏斗图） | 计划中 |
| P2 | 跨语言检索（CNKI + 双语对齐） | 计划中 |
| P2 | 增量更新能力 | 计划中 |
| P2 | 辩论质量评估指标 | 计划中 |

❓ 常见问题

Q：完整跑一遍要多久？
A：要花点时间——具体时长取决于主题和论文数量。辩论阶段是瓶颈；部门越多，API 调用越多。

Q：要花多少钱？
A：取决于主题、论文数量和 DeepSeek 当前定价。完整跑一遍不贵——想要准确数字，去看最新定价。

Q：支持哪些模型？
A：任何兼容 OpenAI 的 API。主要用 DeepSeek 测试过。通过自定义端点应该也能跑本地模型——还没测。

Q：输出支持哪些语言？
A：学术流水线：中文（--lang zh，默认）和英文（--lang en）。英文模式下有些 UI 标签还是中英混排——正在改。

Q：我能自定义部门吗？
A：可以。AI 会根据你的主题自动生成部门，你也能在开始辩论前，在 Streamlit UI 里编辑、添加、删除。

Q：这和 Elicit 或 Consensus.app 有什么不同？
A：那些工具做的是提取和总结。这个工具做的是辩论——每条发现都要先扛住多个 AI 智能体的对抗性挑战，才能进报告。代价是：更慢、更贵，但能抓出单遍总结漏掉的矛盾。

Q：辩论真的值得吗？
A：值得，很明显。两种模式我都跑过。没有辩论，报告只是总结论文说了什么。有了辩论，不同视角的智能体会互相挑战——这些挑战也会进报告。举个例子：「准确性」智能体报告说，分解方法能把误差降低 10-40%。「方法严谨性」智能体则指出，这些论文里普遍存在数据泄漏。两种视角都进了最终报告。没有辩论的话，只有准确性那条能留下来。我还没法量化的是，整体报告到底好了多少——评估指标还在做。

🔗 相关项目

Multivest · 智能多维投资系统一个桌面端研究工具，用于中国家庭资产配置，作者与前者相同。它沿用了这条流水线的两个设计元素——把每位辩论参与者的立场量化到 Likert 量表上，以及当各立场的变异系数低于 ε1、同时 Kendall's W 确认排序一致时终止辩论——并把它们用到了另一个场景：由固定分析师小组评审一份家庭投资组合，而不是按主题生成的研究部门评审一个文献问题。

| | Consensus Pipeline | Multivest |
| 输入 | 一个研究问题 | 一份家庭投资组合 + 每日市场数据 |
| 智能体 | 按主题生成的部门 | 固定分析师小组 + 一位投资主管 |
| 数字从哪来 | 由模型生成，并标注置信度 | 由系统计算；模型只做判断 |
| 输出 | 带引用核验的文献综述 | 配置建议、风险报告、每日市场复盘 |
| 交付方式 | Streamlit UI + MCP 服务器 | 独立 Windows 桌面应用（PyInstaller + WebView2） |

两个仓库不共享代码，也不共享依赖。收敛机制是唯一共用的设计元素，且在各自仓库中重新实现。

🤝 参与贡献

欢迎提 PR！尤其是：
- 🐛 Bug 修复
- 📝 文档改进
- 🎭 新的辩论视角
- 📊 多智能体辩论质量的评测基准

📄 许可证

MIT License

这是一个学生项目，正在积极开发和测试中。欢迎反馈、Bug 报告，以及「你试过 X 吗？」这类建议。

如果 Consensus Pipeline 对你的研究有帮助，在 GitHub 上点个 ⭐ 意义很大——它能帮更多人发现这个项目。