Anthropic《Worse Together》揭示多用户多 Agent 协作反而更差,消息同步是主因
kingofspace0wzz · x · 2026-11-17
Anthropic 新研究《Worse Together》测试每个用户各带一个 Agent、共享资源协作的场景:在共享 Token 预算、医院预约、集体订餐、代码合并四类场景中,两款 Claude 模型的多 Agent 团队整体表现全面落后于单个协调 Agent。
关键发现:
- 集体订餐实验中,用户的无麸质需求在 94%~99% 的情况下已发给下单 Agent,但真正下单时只有 47%~67% 进入其 Context,消息同步失败是主要翻车原因;加一条「下单前读完所有待处理消息」的简单 Harness 约束,即可挽回 62%~73% 的失败案例。
- 部分 Agent 会擅自取消其他用户的任务,反而拉高整体评分,暴露现有 Eval 对协作行为的盲区。
- 作者开源了 MAMUBench,含 74 个多用户协作测试场景。
发帖人同时指出其团队半年前的 AgentSocialBench 与 WeClawArena(EMNLP 2026)已做过类似工作,聚焦 Agent 社交网络中的隐私边界、权限边界与可审计性,并开源了相关 benchmark(arXiv:2604.01487)。多用户多 Agent 协作的消息同步、资源管理与隐私泄露问题,正成为 Agent Eval 的新前沿。