三位AI分别扮演策略、创意和制片，都认可了一份产品广告脚本。品牌是否因此更有理由批准拍摄？先看它们依据什么：如果三个角色都只读了同一段未经核实的卖点文案，三份赞同意见可能只是把同一个前提重复了三遍。
这是假设场景，不是ONCE项目复盘。本文建议在把多代理评审放进正式制作流程前，先检查评审流程能否识别自己已知的问题。代理数量是工作安排，不能直接当作可靠性证明。
研究提供了提醒，没有替广告审批作决定
ICML 2024论文《Should we be going MAD? A Look at Multi-Agent Debate Strategies for LLMs》比较了多种辩论与提示策略。作者报告，多代理辩论并未稳定优于其他比较方法，同时也发现调参后的部分辩论方法表现更好。它支持的是“需要评估具体配置”，不是“多代理一定无用”。
Google Research于2026年1月28日发布的代理系统研究介绍，也强调协作方式与任务结构有关。这些材料来自特定研究任务，不是广告脚本、品牌偏好或客户购买行为的验证。本轮于2026年10月30日重新核验，采用其方法提醒，写成常青的制作流程讨论，不把旧研究包装成今日新品。
先拆开三类“通过”
第一类是对照资料能核查的事项：脚本是否超过已批准产品能力，必拍动作是否遗漏，交付语言是否符合brief。第二类是专业判断：叙事是否连贯、制作条件是否可行、版本是否讲得清楚。第三类是受众与商业结果：目标买家是否理解、喜欢或行动。
AI可以帮助前两类找问题、提出候选解释，但结论仍取决于输入与复核。第三类不能因为模型扮演了几个消费者就算验证完成。关于这一区别，可延伸阅读合成受众筛选与真人验证。
把三类合成一个总分，会让团队不知道它究竟批准了什么。一句“创意很有吸引力”不能抵消未经确认的功能主张；发现一个术语错误，也不代表整套创意应该被否决。
ONCE已知错误样卷：先考评审，再用它评项目
以下是本文提出的内部演练方法，没有实际执行或报告测试结果。使用完全虚构、明确标记为测试的品牌与产品资料，不修改真实客户文件，不把错误版本用于外发广告。
准备事实卡与一份可核对的任务
例如虚构一只旅行杯：测试事实卡明确写“仅支持手洗”；创意任务要求展示杯盖拆装，并交付英文旁白。准备同样信息量的脚本版本，让每位评审拿到同一份完整、冻结的资料，不能让单代理看缺页摘要，却让多代理看完整文件后比较优劣。
事实卡只用于该虚构演练，不代表真实产品说明或清洁建议。评审需要引用卡片中的具体依据，不得自行补出杯子材质、容量或测试成绩。
构造已知错误，也保留干净对照
| 样卷 | 预先记录的检查点 |
|---|---|
| 脚本声称可用洗碗机清洗 | 是否指出它与虚构事实卡冲突，并定位对应句子 |
| 脚本没有杯盖拆装镜头 | 是否识别brief中的必需动作未被覆盖 |
| 旁白语言与交付要求不符 | 是否核对交付条件，而非只评价故事好看 |
| 没有上述已知错误的对照稿 | 是否无依据地新增功能限制或强行判错 |
先把答案和判定标准留给测试负责人，不放进评审提示里。干净对照的含义仅是没有这些预设错误，并不表示整篇创意完美。评审另提出的意见，要回到资料判断，不能为了算分把所有额外建议都记成误报。
要求返回问题、位置、依据和建议动作
比起要求每个角色给出喜欢度，更有用的输出是：哪一处需要处理；依据哪条资料；目前能确定到什么程度；下一步应改稿还是找负责人确认。找不到依据时允许写“未知”，不要用热烈的讨论填补材料缺口。
不同角色可以检查不同事项，但角色名称本身不会增加资料。产品事实核查需要产品材料，制作可行性判断需要实际条件；只把同一段摘要分给多个角色，并没有补上这些输入。换模型也不能自动证明错误相互独立。
记录漏报与误报，不只数赞同票
漏报，是预设问题没有被发现；误报，则需要负责人确认它确实是无依据的错误指控。另行记录有效但不在预设答案里的发现、尚有争议的意见，以及把不同稿件内容混淆的情况。
比较单评审与多评审时，固定资料、任务、输出要求，并事先写清时间或调用预算。记录人类复核成本、重复意见和需要追问的次数。如果多评审只是生成更长报告，却没有多发现已确认问题，它未必值得保留在这个任务上。
小样卷通过只能说明在这些样例中表现如何，不能推算真实项目的通用准确率。若要扩大使用，应增加代表性任务与未参与调试的新样卷，避免反复背熟同一批答案。保留模型与提示版本，变更后不要沿用旧测试结论冒充新结果。
从演练进入真实项目，要改变的是分工
可并行检查的事项，可以分别处理后由负责人合并；依赖前一步事实才能判断的问题，则应等待资料确认。比如产品功能尚未锁定，几个代理同时发展功能演示，并不会让这个前提自动成立。
不需要所有问题都进入辩论。能按资料直接纠正的语言错配，先修正即可；涉及产品能力，交给对应负责人核对；涉及叙事取舍，由品牌与创意团队判断。不要让争取“达成一致”成为比解决具体问题更重要的目标。
进入正式审批时，保留尚未解决的分歧和确认人。AI评审可以输出待办，但不能因为多票赞同就自行把待确认项改成已批准，也不应自动把脚本发布或触发制作采购。
品牌应该购买什么样的AI评审服务
如果供应商强调有多少代理，品牌可以追问：它们检查什么、各自能看到哪些材料、是否用样卷检验过、发现的问题由谁复核？有没有完整的输入版本和问题依据？是否把模拟意见说成真人反馈？
对ONCE的长期工作流，值得积累的是已确认问题类型、漏检原因、修正记录与任务适配条件。它们可能帮助决定何时用单评审、何时并行检查、何时必须找真实资料和专业人士；这是一项服务设计建议，不是已实施的系统、认证或客户成果。
下一次尝试AI评审，先用一份虚构样卷检查它是否能指出你已知的问题。通过以后再缩小范围试用，持续保留人工确认；不要把更多声音误当成更多事实。
来源与范围
主要来源：Smit等，《Should we be going MAD? A Look at Multi-Agent Debate Strategies for LLMs》，ICML 2024，PMLR第235卷；Google Research，《Towards a science of scaling agent systems: When and why agent systems work》，2026年1月28日。均于2026年10月30日核验。中文保留准确出处，不附未经中国大陆网络实测的海外链接。
本文样卷、评审方法与旅行杯设定均为ONCE原创分析和虚构示例，没有执行代理对照实验或真人研究。原创AI封面为产品审看主题示意，不是客户现场。
