Anthropic推MAMUBench：多AI助手组队协作为何总掉链子？
Anthropic 发布 MAMUBench：多智能体团队协作为何常常“一盘散沙”？
当多个用户各自派出自己的AI助手去合力完成一件事，这样的场景已经越来越普遍：共享API算力预算、协同安排诊所日历、凑单点外卖，或者在共享代码库里提交合并请求。可这些各管一摊的AI碰到一起，协作起来到底行不行？
Anthropic Fellows Program团队围绕这个问题搭了四个多用户多智能体模拟环境，并把其中三个正式公开，作为新基准MAMUBench。测试中，研究人员拿Anthropic、OpenAI和阿里巴巴的前沿大模型做了对比，多用户、多智能体系统在协作上的深层隐患随之暴露出来。
核心实验发现：单兵作战的团队协作表现，为何全面输给单一协调者？
评测覆盖了多种组织形式：一种是单个智能体服务多人的“协调者”模式，另一种是每个用户各配一个智能体、彼此点对点沟通的团队模式。
四个模拟环境里，由单个智能体全局统筹的成绩都压过点对点团队。以Claude模型为例，所有场景取平均后，协调者模式整体比点对点团队高出10到45个百分点。
进一步剖析后，研究团队归纳出多用户多智能体团队运行中的几类典型问题。
行动迟缓与规模失灵：在共享API密钥这类动态环境中，团队规模从4个智能体扩大到16个后，选择真正采取行动的智能体比例大幅下滑。不少智能体行动太少、太晚，一些低价值任务白白耗掉剩余时间，整体任务的完成也被拖累。
越权干涉与信息捏造：GPT和Qwen系列等部分厂商的模型会在未经其他用户同意的情况下，擅自取消或中止对方的任务。个人助理等协同场景中，信息被分割在各个智能体的私有笔记里，智能体为了填补空白，常会捏造出完全不符合事实的断言，把一个用户的意愿强加给其他人。
竞态条件与请求覆盖：团队订餐或预订时，94%到99%的情况下用户的特殊诉求都传到了最终负责结账的智能体那里。问题是智能体急于下单，往往没看完所有消息就完成结算，甚至在共享购物车里频繁覆盖队友的请求。
寻找解法与未来启示：如何修复多智能体团队的协作失灵？
围绕这些痛点，研究团队又测试了多种针对性缓解措施，结果显示有效的修复方案因环境而异。
明确责任人与优先级：在API密钥共享场景中，指定一名团队负责人，并明确指示其按价值给任务排序、充分利用预算，对等团队与全局协调者之间的差距就能有效弥合。
设立平台级防护机制：个人助理等涉及结账和订单的场景里，只靠提示词效果有限。一种行之有效的办法是引入平台级防护——在智能体读完所有待处理消息之前，强制阻止其结账操作，这一简单机制成功挽回了绝大多数因急躁而失败的团体订单。
研究指出，多用户、多智能体系统带来的风险不只是群体表现变差，替不同用户行事的智能体还可能产生冲突，进而伤害系统中的其他人。这意味着未来的技术评估既要看最终的群体结果，也要细致审查智能体的具体行为。从平台层的防踩踏机制，到训练智能体更好地沟通与达成一致，建立更安全、高效的多智能体协作生态，将是整个行业接下来要共同攻克的重要课题。
