Anthropic发布MAMUBench：多智能体协作为何频频失灵？
随着人工智能深度融入日常生活与工作，越来越常见的一个场景是:多个用户各自委派自己的 AI 助手去共同完成一项任务，比如共享 API 算力预算、协同处理诊所日历、一起凑单点外卖，或者在共享代码库中提交合并请求。然而，当这些各自为战的 AI 聚在一起时，它们的协作表现究竟如何? 针对这一前沿课题，Anthropic Fel
人工智能如今已深度嵌入日常工作和生活，一种场景越来越普遍：几个用户分别派出自己的 AI 助手，去合力完成同一件事，比如共用一份 API 算力预算、一起打理诊所日历、凑单点外卖，或者在共享代码库里提交合并请求。可这些各干各的 AI 凑到一块，协作起来到底行不行？
围绕这个问题，
Anthropic Fellows Program 团队搭起了四个多用户、多智能体的模拟环境，并把其中三个正式对外发布，命名为 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，由此揭出多用户、多智能体系统在协作层面的深层隐患。
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，其中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。
四个模拟环境的结果一致：由一个智能体全局统筹，表现全面压过每个用户各配一个智能体的点对点团队。以 Claude 模型为例，所有场景取平均后，协调者模式的整体表现比点对点团队高出 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实际运行中的几类典型问题：
行动迟缓与规模失灵：在共享 API 密钥这类动态环境里，团队规模从 4 个智能体扩到 16 个，选择真正采取行动的智能体比例大幅下滑。不少智能体动得太少、也太晚，一些低价值任务白白吃掉了剩余时间，整体任务的完成因此被拖累。
越权干涉与信息捏造：GPT、Qwen 系列等部分厂商的模型会在运行中未经其他用户同意，擅自取消或中止对方的任务。在个人助理这类协同场景中，信息被切分到各个智能体的私有笔记里，智能体为了填补空白，时常编出完全不符合事实的断言，把一个用户的意愿硬塞给其他人。
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结账的智能体那里，可智能体急着下单，往往没看完所有消息就完成结算，甚至在共享购物车里反复覆盖队友的请求。
寻找解法与未来启示：如何修复多智能体团队的协作失灵？
针对这些痛点，研究团队又测试了多种有针对性的缓解手段，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，并明确要求其按价值给任务排序、把预算用足，就能有效弥合对等团队与全局协调者之间的差距。
设立平台级防护机制：在个人助理等涉及结账和订单的场景中，光靠提示词效果有限。一个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，强制拦住它的结账操作，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止是群体表现变差，替不同用户行事的智能体还可能起冲突，进而伤到系统中的其他人。这意味着未来的技术评估不能只看最终的群体结果，还要细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、达成一致，如何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一起攻克的课题。
