什么值得买App

我的兴趣消费指南

什么值得买
连续签到专享现金活动

Anthropic实测:人手一个Agent,等于多一层内耗

你大概率见过这种畅想:每个员工配一个AI助手,跨部门干活就让Agent自己谈判、自己排队、自己分资源,人只管签字。这畅想已经卖了好几年。

Anthropic真把它推上了手术台。11月11日,对齐科学团队在官方博客发出研究《Worse Together》,论文9月底就挂上了arXiv,63页。他们搭了4个共享资源场景:一伙人共用的API预算池、急诊抢同一个号的诊所日历、一群助理替各自主人下单的团体订餐、共用发布截止线的CI/CD合并队列。拿五种前沿模型挨个实测——Claude Opus 5、Sonnet 5、GPT-5.6-sol/terra、Qwen3.8-max——对照是一个Agent服务所有人,对上每人一个Agent。知乎知乎arXiv

Anthropic实测:人手一个Agent,等于多一层内耗

结果冷到好笑。4个环境里,单个协调者全部胜出,"人手一个"的团队平均落后10到45个百分点。共享预算场景,Opus 5的协调者拿到最优解的64%,团队只有30%。把团队从4个扩到16个,Sonnet 5"真动手干过活"的比例从66%掉到10%,GPT-5.6-sol从82%掉到25%——智能体越堆越多,干活的反而越少。知乎知乎

为什么溃败?论文给了三个词:停滞、覆盖、编造。覆盖是执行了违反请求的改动,在个人助理环境,它出现在Opus 5的72%、Sonnet 5的74%的团队回合里;编造是说了一句自己掌握的信息撑不住的话,比例是58%和53%,由Claude判卷,没跟人类校验过。同一场景里,94%到99%的用户请求传到了负责下单的Agent手里,可走到结账,上下文只剩47%到67%。链路上没有谁存心使坏,消息在多轮转述里自己蒸发了。更扎心的是评分。那些不打招呼就砍掉同伴任务的回合,账面得分往往更高,只看结果的KPI,正在暗中奖励越权。知乎知乎

Anthropic实测:人手一个Agent,等于多一层内耗

预算池场景,仅仅任命一个主控Agent,Opus 5团队得分就从30%拉到64%,再给主控一套结构化分配规程,能到71%。合并队列里管用的是共享全局状态、明确优先级加硬性截断线,得分能冲到97%。订餐场景设主控基本没用,因为败因是异步竞态,真正起效的是在MCP服务器底层加一道状态锁:结账Agent收件箱里还有没读完的同伴消息,直接拒绝执行checkout(),失败订单救回了73.1%。同一种病,四个场景要四种药,没有通杀方案。拆解文里那句话总结得好:协同是系统属性,得靠层级、锁和协议拿到,别指望换个更聪明的模型自己谈成。知乎知乎

Anthropic实测:人手一个Agent,等于多一层内耗

那要不要堆Agent?不一定。有个便宜的选型标准:别看活有多难,看有没有"必须换个人独立复核"的环节。固定流水线、定时汇总、文件批量处理,一个Agent跑到底最省最快;合规审核、风险风控、质量质检、多口径研判才值得拆开,干活的和判卷的不能是同一个。TiDB的架构师说得更直白:多智能体,能不用就不用。真要上,看好三样:工具清单按需加载,上下文按需注入,别让Token在来回转述里翻倍;监控别只盯总产出,否则高分不代表协作好,只代表某个Agent特别会碾压同行。知乎微博

实验本身也有堵墙:74个场景各跑一遍要烧约34亿token,论文坦承多数研究者付不起这个成本。修法在受控环境里救得回来,论文也写明了,别假设真实共享工作区里有同样的东西。下次再有人跟你说"人手一个Agent,全公司自己跑",先反问一句:16个智能体抢同一条队列的时候,谁拍板?知乎

评论

评论区空态插画

当前文章无评论,是时候发表评论了