人工智能中的论辩框架是用于表示和解决推理冲突的形式化模型。它们提供了一种结构化的方法来分析相互竞争的主张，将论证视为抽象实体，并定义它们之间的关系，例如哪些论证攻击或支持其他论证。这些框架源于 Phan Minh Dung 等研究人员在 20 世纪 90 年代的基础性工作，通常被可视化为图，其中节点代表论证，边代表攻击。目标是根据它们之间的相互作用来确定哪些论证是“可接受”或合理的，从而使系统即使在信息不一致的情况下也能做出理性的决策。
论辩框架的核心在于评估能够内部和谐共存的论证集合。例如，考虑三个论证：A（“嫌疑人在现场”）、B（“嫌疑人有不在场证明”）和 C（“不在场证明不可靠”）。如果 A 攻击 B，B 攻击 C，框架会评估哪个论证子集构成逻辑一致的“扩展”。常见的评估方法包括基础语义（优先考虑怀疑）和偏好语义（最大化可接受的论证）。在这种情况下，基础语义可能只接受 A 和 C，而偏好语义可以接受 {A, C} 或 {B}，具体取决于结构。开发人员可以使用遍历图来识别有效扩展的算法来实现这些语义。
这些框架应用于需要透明决策的 AI 系统中，例如法律推理、聊天机器人或自主代理。例如，在法律 AI 工具中，论证可以代表支持或反对被告的证据，攻击则模拟矛盾。然后框架将输出最具说服力的结论。类似地，医疗诊断系统可能会使用论辩来权衡相互冲突的症状或测试结果。开发人员通常使用 Prolog 等逻辑编程语言或专用库（例如 ASPARTIX）来构建这些系统。虽然基本框架侧重于抽象的攻击关系，但像加权论辩这样的扩展会添加数值强度来建模现实世界的不确定性，使其能够适应复杂场景。