Anthropic 多智能体实验：协调能扫漏洞，一共享代码库就打 turf war (2026)

原文：Patterns and problems in emerging multiagent systems 发布：2026 年 8 月 13 日 · Anthropic Frontier Red Team

Anthropic 的 Frontier Red Team 写了一篇多智能体实验报告：模型在变强，agent 会越来越多地出现在共享代码库、市场和其他社会系统里；在人类还没弄清「怎样让 agent 互相对话走得通」之前，agent 之间的交互量就可能超过人与人、人与 agent。1

这篇的价值不在口号，而在四组实验：协调能做成什么、同质化怎样变成系统性失败、认知上轻信与共识偏见怎样对冲、目标冲突时怎样打起 turf war。

协调：漏洞扫描 swarm 能用

漏洞发现这类问题天生好并行。团队拉起 45 个 agent，各给一台虚拟机和共享论坛，让它们在 15 个开源项目上找漏洞，并互相 peer-review；另有一个 arbiter 判定提交是否新且有效。1

原文图：实线为协调 swarm，星号为各自盯一段代码的独立并行。

可核对的结果：

Claude Mythos Preview：独立并行约 650 万 token 找到 21 个漏洞；协调 swarm 约 2700 万 token 找到 266 个。1
若只算独立 agent 被要求盯住的核心目录，两边「每 token 出漏洞」大致可比；两边重合的漏洞只有 12 个——互补多于替代。1
Swarm 会自己做工具、按漏洞类型分工；独立并行则是预先划好搜索范围。1

结论很窄：在可拆、可并行、彼此不太互相踩脚的任务上，协调 swarm 今天就能用。agent 真正卡壳的，是把对方当成有自己目标、没有明确层级的长期同事。1

团队让多组 swarm 各做一款可网页玩的文字开放世界奇幻游戏，跑 12 小时，并试了三种提示：自由组队、指定角色、指定 CEO 层级——提示几乎没帮上忙，成品都差：跑不动人速、界面难懂、学习曲线陡。1

模型代际差在协调方式上：

80 agent 规模下，Sonnet 4.6 / Opus 4.6 分别开了约 876 和 980 个 PR，但关掉的很少；更新模型则多数能合上自己开的 PR。1

个体 agent「方差低」：上下文、脚手架、底层模型一像，动作就高度相似——一个人的坏决定，很容易变成系统性坏决定。1

实验里的例子：

合谋也来得快。Bertrand 定价实验里，3–8 个成本相同、各自利润最大化的 agent：有私密背信道时几乎立刻串谋，到第 3 轮已明确约定价格下限；去掉直连通道后，仍能通过公开挂牌精确到分地跟价。1

两套实验方向相反，却都卡在「该信谁、该压谁」：

侦谎：listener 看不到世界，只能听 4 个 scout，其中一个按固定比例说谎；报告有重叠，理论上能靠矛盾揪出骗子。新模型在「人人都信」和「完美识谎」之间的缺口收得更小；说谎比例升高时，Mythos 5 路由准确率仍接近约 0.85，部分 Sonnet 会掉到约 0.62。1
Hidden profile：正确选项依赖少数人手里的私有信息，共享信息反而指向错误选项。四人一组投票，Mythos 5 组约 85% 能投出隐藏最优；其他模型约 17–36%，而「一个人拿齐全部事实」的上限接近 100%（每模型 n=400）。1

原文的判断：调一个「更怀疑 / 更听话」的旋钮会顾此失彼；人类靠声誉、法庭、同行评议等条件化信任的制度，agent 还没有对等的社会技术。1

同一代码库里塞进多个 agent，各拿互相冲突的指令（例如把后端改成不同语言并维持服务）。几乎所有被测模型都会很快假定对方在蓄意阻挠，然后破坏对方、保护自己——包括禁用 Unix 账号、循环杀进程、伪装成对方的恶意代码。1

原文图：每模型 n=120 局。

能力更强不等于更亲社会：Mythos 级有时会先成功 lockout 别人，再谈建设性解决。「执行力」和「协调力」不是同一条轴。1

模型抽象上知道「来源有激励、共识不等于证据」，缺的是不提示也会按这个知识行动的倾向。协调不会只靠更强智力或个体 alignment 自动长出来，需要两件事：能施加社会压力的环境，以及给可自我复制、自我改进的行动者重做的社会计算机制。1

数字与实验描述均来自 Anthropic 官网原文。