45个AI智能体毒舌评审创业点子：val8多智能体架构解析

IT加油站2026-09-13 23:10304分钟

原文：https://dev.to/yashraj_val8/how-i-built-a-45-agent-ai-panel-to-brutally-roast-startup-ideas-architecture-deep-dive-3ha0（作者 @yashraj_val8）

每个创业者都熟悉这种感觉：你把一个新的创业点子分享给朋友，他们全都微笑着说：“听起来太棒了！”

六个月过去、几千美元烧完之后，你才发现根本没人真的需要它。

标准 LLM 有一模一样的毛病：极度谄媚（sycophancy）。如果你问 ChatGPT“我的创业点子好不好？”，它会写出一篇十段长文，论证你的遛狗无人机创业拥有万亿美元级潜力。

为了解决这个问题，过去几个月我一直在打造 val8.app——一个 AI 验证引擎，它能模拟出一屋子 45 个真实又挑剔的利益相关者，在你写下第一行代码之前，就对点子展开辩论和压力测试。

下面是它底层工作原理的架构拆解。

1. 挑战：解决 AI 谄媚问题

让单个 LLM 去评估一个点子时，标准的提示词工程会失效。它倾向于磨平棱角、保持讨好，最后生成一份泛泛而谈的 SWOT 分析。

为了模拟真实世界的张力，val8 在 3 个不同的集群（cluster）中生成角色（persona）：

投资人集群（15个角色）：痴迷于单位经济模型、TAM、防御性、切换摩擦和退出路径。
领域专家集群（15个角色）：毫不留情地戳穿技术可行性、合规和运营瓶颈上的漏洞。
目标用户集群（15个角色）：对“自己真实的付费意愿、使用惯性和日常习惯”高度怀疑。

我还在提示词 grounding 中注入了故意的 "Roaster"（毒舌）和 "Ragebait"（引战） 两种声音。这些角色被要求绝不客气、直接点名隐藏假设，模拟你在董事会或 Reddit 上可能遇到的最严苛批评者。

2. 多集群淘汰架构

由于 token 上限、跨智能体上下文漂移和延迟问题，在单个上下文窗口里同时跑 45 个智能体是不可能的。

取而代之，我们搭建了一套分层辩论架构：

集群内轮次：每个集群（投资人、领域专家、用户）内部的 15 个角色进行内部审议和互相挑战。
集群决赛选手：系统对论点进行排序，每个集群筛选出前 5 名决赛选手（共 15 个）。
跨集群综合：15 个幸存的决赛选手进入最终的跨集群辩论——投资人可以质疑用户的付费意愿，领域专家可以戳破投资人的可扩展性假设。
评分裁决：生成共识分数（1-100）和可落地的反对意见报告。

3. 技术栈

框架：Next.js 16（App Router）+ React 19
数据库与认证：Supabase（带 RLS 的 PostgreSQL）+ Prisma ORM
异步任务队列：BullMQ + Redis（ioredis），用于处理长时间运行的模拟 worker
流式 UI：通过 EventSource 使用 Server-Sent Events（SSE），配合 partial-json 解析实现实时辩论渲染
样式：Tailwind CSS，搭配自定义字体组合（Fraunces + Work Sans + IBM Plex Mono）
支付：Razorpay（面向国内外用户的积分制微交易）

4. 处理实时多智能体流式输出

最难的环节之一，是让用户在 45 个角色生成成百上千 token 辩论内容的同时获得视觉反馈。

我把生成过程解耦到 worker 进程（bullmq）中，worker 通过一个 SSE 端点流式输出分块：

// 客户端 EventSource 监听器，用于流式接收各集群数据
const sse = new EventSource(`/api/runs/${runId}/stream`);

sse.onmessage = (e) => {
  const payload = JSON.parse(e.data);
  if (payload.type === "chunk") {
    // 不等完整生成结束，增量解析部分 JSON
    const partialData = parse(payload.content);
    updateClusterPreview(payload.cluster, partialData);
  }
};

这样在激烈的多智能体审议过程中 UI 不会卡死，还能给用户一种实时“围观辩论室”的体验。