多Agent协作让AI变弱了:斯坦福实测揭示系统性困境
全行业都在推多Agent协作——一个拆任务、一个执行、一个复查,听起来分工明确效率翻倍。但现实很骨感:斯坦福大学测试了GPT-5.4、Claude Sonnet 4.6、Gemini 3.1 Pro三个顶级模型在多Agent协作下的表现,结果让人意外——协作不但没让模型变强,反而让推理能力严重下降。这不是个别模型的bug,而是当前多Agent系统的系统性困境。想搞懂自己到底该不该用多Agent、怎么用不翻车,得先看清楚它为什么掉链子。1
实锤:两个Agent协作,效果反而更差
具体到数字更扎心。GPT-5.4单独做题时在SWE-bench基准上100%正确,加入2个Agent协作之后,正确率跌到23%。只要旁边出现2个已经同意错误答案的SOTA Agent,74%的情境下它选择接受那个错误答案。Multi-Challenge数据集上更是从0.98掉到0.09,几乎归零。更诡异的是,研究者给模型打了两张分:一张看「推理过程里有没有抓住证据」,一张看「最后答案对不对」——GPT-5.4的过程分相当于71分,但最终答对率只有21分。证据明明在过程里出现过,最终输出时却主动放弃正确答案,去迎合其他Agent的错误共识。模型不是没算对,而是从众变「怂」了。1
三个根因:不是技术不行,是「社交」缺课
协作失败不是某一方太弱,而是多个Agent凑在一起时出现了三类典型问题。第一类是「信息孤岛」——每个Agent只知道自己手上的事,不知道其他Agent做了什么。AgentA写了市场分析假设GDP增长5%,AgentB做了财务预测假设3%,单独看每份报告都没问题,放一起就矛盾了。滑铁卢大学的研究指出,不同Agent对同一个概念的理解可能存在偏差,「GDP增长」是实际GDP还是名义GDP、是年度还是季度,训练数据不同理解就不同。4
第二类是「承诺不兑现」——Agent在对话中答应修改某处代码,但从未实际执行。CooperBench记录了一段典型对话:Agent A警告「如果你把章节标题和我的guid类型都加到你的分支里,肯定会产生合并冲突」,Agent B回应「我会把完整章节加入我的分支」,然后——直接覆盖了Agent A的代码。Agent B听到了警告、理解了警告、复述了警告,然后无视了它。这在人类协作中近乎冒犯,但对AI而言不过是另一个token序列的生成结果。2
第三类是「重复劳动与互相覆盖」——多个Agent各自查了同一组数据,数字可能不一样;一个Agent改了一遍,另一个Agent又调整了风格,最终版本谁都不满意,每次修改都丢失一部分原始意图。研究还发现,AI沟通几乎没有正面作用——Agent最多会耗费20%的action预算用于通信,但这些沟通只能小幅减少代码合并冲突,完全无法提升整体任务成功率。语言流畅性掩盖了协作失败,而不是化解了失败。5
企业落地更难:成功率数据揭示严峻现实
学术研究的结论已经够让人头疼,企业落地的数据更扎眼。行业研究数据显示,AI Agent从试点到规模化部署的综合成功率不容乐观。有分析指出,Agent每做一步都有可能犯小错,步骤越多,小错叠起来就变成大错。Gartner同时预测,到2027年底,40%的AI Agent项目将被取消,其中有一半的失败原因不是模型不行、不是数据不行,是治理不足——没人管、没人定规矩、出了问题不知道找谁。6
技术层面的坑同样不少。边缘情况会「复合失败」——一个Agent单步准确率95%听着很高,但连续做10步,整体成功率只剩60%左右。就像让一个人连续做10道题,每道题95分,总分不是95分,因为只要一道错了,后面的全跟着错。更麻烦的是「副作用冲突」——前面几步的操作已经生效了(比如订单已经创建了),但后面某步失败了,Agent从头重跑,结果又创建了一个重复订单。6
上下文管理是被忽视的隐形杀手。Agent的每一步推理都消耗Token,上下文窗口越来越长——第一轮500 Token,到第十轮可能已经塞满了历史推理过程、工具调用结果、中间决策。Agent不是「知道」自己超限了,而是继续干活、假装什么都知道,直到程序报错中断。「Agent越来越笨」的根源不是模型变差,而是上下文先崩溃了。上下文质量可以独立于行为指标被测量,并且能够作为预测Agent可靠性的前导信号——在Agent崩溃之前,上下文已经先崩溃了。7
什么时候用、怎么用,才能少踩坑
实操层面,有几个关键设计能显著降低翻车概率。第一,明确分工而不是自然分工——给所有Agent一份统一的「项目简报」,包含项目目标、基础假设、关键术语定义、输出格式要求、其他Agent的任务概览。项目简报不是让Agent「阅读」的,是让Agent「引用」的,防止每个Agent各自猜测。第二,建立共享数据层而不是各自采集——AgentA负责所有原始数据搜集和核实,输出统一数据集;AgentB使用AgentA的数据做分析,不独立采集数据;所有Agent写入和读取同一个数据结构,避免版本不统一。第三,指定版本持有者而不是自由覆盖——指定一个Agent作为「版本持有者」,只有它有权做最终修改,其他Agent的输出作为建议提供,而不是直接覆盖。4
第四,加拦截器链做工程兜底——生产级Agent需要在推理循环中嵌入层层拦截组件:格式修复拦截器处理模型随机输出的格式错误、工具重试拦截器处理API超时或限流、大数据清理拦截器防止上下文膨胀、任务清单追踪拦截器检测死循环。普通演示版本能跑,但直接投入企业业务使用会频繁异常,根本差距就在于有没有这套工程支撑。第五,把协作当分布式系统而不是群聊——不要让Agent直接对话,给它们共享日志、明确的所有权边界和合并协议,像对待微服务一样对待它们。Claude Code可以异步启动多个子Agent,只需要合理的任务分解:先做架构规划,将工作拆分成有明确接口和契约的任务图,让每个Agent负责边界清晰的模块,使用确定性的合并策略。910
当前文章无评论,是时候发表评论了