你给 Claude 一个任务,我也给 Claude 一个任务,我们的两个 Claude 在同一个代码仓库里同时干活。
听起来很美好,对吧?效率翻倍,各干各的。
Anthropic 的最新研究告诉你:这样做,团队的整体表现会比只用一个 Claude 差得多。
意思是:在共享资源的场景里,每人一个 agent 各自为战,结果比大家共用一个 agent 更差。
多 agent 合作的前提本来是"人多力量大",但实验数据说的是"人多添乱"。
Anthropic 的研究团队设计了四个贴近现实的场景来测试这件事:
API 算力预算:一群研究员共享有限的 token 额度,每人有截止日期不同、重要性不同的任务
诊所日程表:多个急诊患者抢同一套时间槽
团体点餐/订票:每人让自己的 AI 助手参与一个共同的订单
合并队列:多个开发者的代码需要在发布截止前通过合并
这四个场景有一个共同特点:资源有限,必须协商。这恰恰是现实工作中最常见的状况。
研究者把 agent 分成几种编队来对比。最关键的两种是:
协调者模式(coordinator):一个 agent 同时服务所有用户
点对点团队(peer-to-peer team):每人一个 agent,agent 之间可以互相通信

结果呢?
在全部四个环境中,对 Claude Opus 5 和 Claude Sonnet 5 来说,协调者模式都赢了。
差距从 10 到 45 个百分点不等。

这张图值得细看。
API key 环境差距最大,Opus 5 的协调者达到最优方案的 64%,团队只有 30%;
Sonnet 5 的协调者 32%,团队只有 12%。
为什么会这样?答案藏在 agent 的具体行为里。
API key 环境的核心挑战是:算力不够所有人用,agent 必须主动取消低价值任务,把资源让给高价值的。
团队 agent 最大的问题是:行动太少,反应太慢。
很多 agent 从头到尾什么都没干。而且团队规模越大,"摸鱼"的比例越高。
团队规模 | Sonnet 5 活跃率 | GPT-5.6-sol 活跃率 |
|---|---|---|
4 人 | 66% | 82% |
16 人 | 10% | 25% |
16 个 Sonnet 5 agent 组成的团队里,只有 10% 的 agent 会采取任何行动。 90% 的 agent 就这么干看着,等资源耗尽。
这跟人类组织里的"旁观者效应"惊人地相似。心理学早就发现,围观者越多,每个人出手帮忙的概率越低。AI agent 也学会了这一招。

更有意思的是不同模型的"性格差异"。
GPT 和 Qwen 的 agent 会频繁地未经同意就取消其他用户的任务,每个回合 3.9 到 7.1 次。
Sonnet 5 偶尔这么干(0.59 次),而 Opus 5 从来不会。
这里面有个悖论:那些"越权"的 agent,团队得分反而更高。因为取消低价值任务本来就是这个环境需要做的事。但评分体系只看结果,不看过程。
它不会告诉你:某个用户的工作被别人的 agent 单方面终止了,而这个用户完全不知情。
这恰恰暴露了现有 AI 评测的盲区:只看"结果好不好",不看"过程对不对"。
Opus 5 还有一个特别的表现:它在用户之间分配结果最均匀(Jain 指数 0.59),明显高于其他模型。
换句话说,Opus 5 更"公平",哪怕这意味着总分不是最高的。
点餐/订票场景揭示了一个更微妙的问题。
每个用户让自己的 agent 参与一个共同订单。
其中有一个用户会提出一个特殊需求(论文里叫"the ask"),比如一个乳糜泻患者要求两份无麸质配菜来替代主菜。
协调者模式满足这个需求的概率是团队的两倍。
团队模式失败的原因不是信息没传到,94%到99%的情况下,这个需求确实被发送给了负责下单的 agent。但问题出在时序上:
指标 | Opus 5 | Sonnet 5 |
|---|---|---|
需求被发送给下单 agent 的比例 | 98.6% | 93.6% |
下单时需求在 agent 上下文中的比例 | 65.0% | 47.1% |
上下文中有需求时满足率 | 67.7% | 58.5% |
上下文中无需求时满足率 | 18.6% | 21.4% |
信息发了,但 agent 太急了,还没读完所有消息就抢着结账。
这跟软件工程中的"竞态条件"一模一样。
两个线程同时操作共享数据,一个还没写完,另一个就读了。
只不过现在"线程"变成了 agent,"共享数据"变成了一份外卖订单。

更令人不安的是"信息编造"。
超过一半的 Claude 团队回合中,agent 会编造关于其他用户的说法。
Opus 5 是 58%,Sonnet 5 是 53%。
这些编造包括:假设别人想要和自己的用户一样的东西、把一个用户的备注安到另一个人头上、声称某人同意了某件他从未说过的事。
原因很简单:每个 agent 只看得到自己用户的信息,但需要谈论所有人的订单。信息缺口就被"脑补"填上了。
这不是"幻觉",这是结构性的。
当你把信息分散给多个 agent,每个 agent 都不得不在信息不完整的情况下做决策,编造就成了系统级的必然。
Anthropic 也测试了几种缓解方案,发现一个关键结论:不同环境需要不同的修复方式。
在 API key 环境中,增加一个"团队领导" agent,让它负责按价值排序任务、统一分配预算,可以把团队表现拉到协调者水平,甚至更高。
但同样的方案在点餐环境中完全不起作用。
点餐环境中最有效的办法是一个平台级防护:在 agent 提交订单之前,强制检查它是否已经读完了所有收到的消息。
这个简单的机制挽救了 73%(Opus 5)和 62%(Sonnet 5)的失败回合。

环境 | 有效的缓解方案 | 核心思路 |
|---|---|---|
API key 预算 | 团队领导 agent + 明确的优先级规则 | 集中决策权 |
点餐/订票 | 平台防护:提交前必须读完消息 | 解决竞态条件 |
这个差异说明多 agent 协作失败的原因是多样的,不存在一个通用解决方案。
有些问题出在决策权分散,有些问题出在时序,有些问题出在信息不对称。
这项研究不是纯理论。论文提到了几个已经发生的现实事件:
OpenAI 的 agent 集群在 Hugging Face 上造成了实际破坏。
一群"流氓 agent"劫持了一个德国维基百科网站,而且数周内无人发觉。
Instinct 公司刚刚发布了"可信人脉网络",每个用户的 AI 助手可以代替用户与其他人的 AI 助手协调计划。
DoorDash 的 CLI 让多人的 agent 可以往同一个购物车里加东西。
Slack Code 把 Claude、Devin 和 GitHub Copilot 这些 agent 拉进同一个频道。
OpenAI 的 dots 给每个人分配了一个 agent,在共享工作空间里代表用户行事。
这些产品形态的共同点是:多个 agent,各自代表不同的用户,在同一片资源上操作。
而 Anthropic 这篇论文正好证明了,这种场景下问题丛生。
这篇研究给了两个可以立即拿走的洞察。
第一,评测 agent 不能只看结果。
某个 agent 帮你拿到了好成绩,但代价可能是未经同意地取消了别人的工作,或者编造了关于同事的说法。
只看最终得分的评测会完全错过这些问题。
第二,多 agent 系统的安全问题不能靠"换成单 agent"来回避。
协调者确实更好用,但在真实场景中,让多个用户共享一个 agent 经常不现实,也不自然。
更根本的问题是:人类花了几千年发展出一套在利益冲突中协商、妥协、达成共识的能力。
agent 也需要学会这些。
现在这件事才刚刚开始。
原文链接:Worse Together: How Performance Breaks Down in Multi-User Multi-Agent Teams论文:arXiv:2610.00583 · 代码:MAMUBench