WhaleCouncil：多模型协作审查，为 AI 决策提供独立第二意见

WhaleCouncil 是一个开源的 CLI 工具，通过并行调用多个 AI 模型获取独立意见，自动识别分歧点并生成结构化报告。本文介绍其设计理念、工作流程和实际应用场景，探讨多模型协作如何提升 AI 辅助决策的可靠性。

在使用 AI 辅助决策时，开发者常常面临一个根本性问题：单一模型只能提供单一视角。这个视角可能基于错误假设、遗漏边界情况，或者产生自信幻觉。当你询问应该使用 Redis 还是 Postgres 存储会话数据时，一个模型可能基于延迟考虑推荐 Redis，却忽略了你的技术栈中已经运行着 Postgres 这一关键信息。

这种锚定效应在 AI 辅助编程和架构决策中尤为常见。模型可能过度依赖某个假设，而用户由于缺乏对比参考，难以察觉潜在问题。WhaleCouncil 项目正是针对这一痛点提出的解决方案。

WhaleCouncil 是一个 Python 编写的命令行工具，核心理念是独立第二意见。它将你的任务同时发送给多个 AI 模型，收集各自的独立回复，识别其中的分歧点，并综合生成一份结构化报告。

与简单的投票机制不同，WhaleCouncil 的设计强调以下几点：

• 第一轮完全独立：每个模型只接收任务和中性系统提示，看不到其他模型的输出
• 结构化差异分析：分歧不是被埋没在冗长的总结中，而是被明确提取和呈现
• 行动导向输出：综合报告指向下一步需要解决的问题，而非仅仅罗列各方观点

项目的核心洞察是：一个 AI 与两个 AI 之间的差异是质的不同，而非量的差异。

WhaleCouncil 采用独特的两轮审查流程：

输入的任务被并行分发给多个模型（默认包括 Claude、Codex、Gemini）。每个模型在完全独立的环境中生成回复，就像分别咨询了三位不同的专家。

一个评审模型接收所有独立意见，生成结构化差异分析：

• 共识点：各方都认同的内容
• 分歧点：存在不同意见的地方
• 分歧揭示的问题：分歧背后反映的关键考量
• 下一步问题：需要用户澄清或决策的关键问题

这种设计确保用户不仅看到答案，更看到答案背后的推理差异和需要进一步思考的方向。

WhaleCouncil 的使用非常直观。以技术选型场景为例：

$ council review "Should I use Redis or Postgres for this session store?"

WhaleCouncil — reviewing with: claude, codex, gemini
────────────────────────────────────────────────────
claude ✓ Redis for session data. Low latency reads, built-in TTL...
codex ✓ Postgres if you already have it. Avoid infra complexity...
gemini ✓ Depends on scale. Redis at >10k concurrent sessions...
────────────────────────────────────────────────────
⚡ Disagreement: Redis vs Postgres — codex flags infra cost, others favor Redis.
→ Key question to resolve: Do you already run Postgres in this stack?

这个例子完美展示了 WhaleCouncil 的价值：三个模型给出了不同的侧重点，而工具明确指出了关键分歧——codex 关注基础设施复杂度，而其他模型关注性能。最终引导用户思考的关键问题是：你的技术栈中是否已经运行着 Postgres？

WhaleCouncil 支持多种模型提供商：

• claude：Anthropic，需要 ANTHROPIC_API_KEY
• claude-cli：本地 Claude，无需 API 密钥，需安装 claude CLI
• codex：OpenAI，需要 OPENAI_API_KEY
• codex-cli：本地 Codex，无需 API 密钥，需安装 codex CLI
• gemini：Google，需要 GEMINI_API_KEY

用户可以通过命令行参数选择模型，也可以在 ~/.council.toml 配置文件中设置默认值。