引言：一个不存在的库存编号，引发了一场跨系统灾难
想象这样一个场景：某电商公司的AI系统收到一笔订单，库存管理Agent发现了一个"商品SKU-88721"——格式完美，JSON输出无懈可击。于是这个编号被传递给报价Agent、打印Agent、客服Agent。报价生成了，库存更新了，标签打印了，客户确认邮件也发了出去。
问题是：SKU-88721根本不存在。它是AI"幻觉"出来的。
但这不是最可怕的部分。最可怕的是，从库存Agent到打印Agent，经过四道"关卡"，没有任何一个环节发现这个编号是假的。每个下游Agent都默认上游的输出是正确的——它们没有能力，也没有义务去验证上一环给出的每一个事实。
这不是一个假设的思想实验。2026年，两篇学术论文把这种"AI之间互相传递错误"的现象进行了精确测量，给出了令人不安的数字。
幻觉雪球：错误如何从"能发现"变成"隐形"
第一篇论文叫《The Hallucination Snowball》（幻觉雪球），由Singh和Pawar在ICML FAGEN 2026上发表。研究者在一个由四个AI Agent组成的金融分析流水线上做了实验：他们故意注入346个幻觉，然后追踪每一个幻觉在四个阶段的命运。
这四个阶段是：
- 原始事实：AI直接编造的一个虚假声明
- 衍生数据：这个虚假声明被放进了某个计算过程
- 叙述文本：计算结果被编织进了一段看似合理的分析报告
- 隐形状态：这个声明已经融入了足够多的上下文，以至于没有任何检测手段能找到它
研究者测量了每个阶段的逃逸概率。结果触目惊心：
从原始事实到衍生数据，24.6%的幻觉"逃脱"了检测；从衍生数据到叙述文本，逃逸率飙升到48.3%；而从叙述文本到隐形状态，逃逸率高达89.3%。
这意味着什么？一个幻觉一旦被"加工"过两次，就几乎不可能被发现了。
即便是最强大的检测模型——通义千问Qwen3.5-397B，在第一阶段的检测准确率是87%，但到了第四阶段，这个数字会降到60%左右。而在整条流水线走完后，23.7%的幻觉完全未被检测到，悄无声息地存活到了最终输出中。
更反直觉的发现：越修正，事实越不准
第二篇论文《Hallucination Cascade》（幻觉级联）来自Jamshidi等人，他们用GPT-5.3、DeepSeek-V3和LLaMA-3-70B在10个知识领域追踪了500个级联实验。
他们发现了一个看似矛盾的结论：在三个Agent的链式处理中，下游Agent确实减少了幻觉的"形式"——输出看起来更流畅、更自信、更不容易被检测到；但同时，事实准确性也在悄悄下降，从0.789降到了0.769。
换句话说，后面的AI不是在做"纠错"，而是在做"美颜"。它把错误包装得更漂亮了，顺便也把一些正确的信息给"优化"掉了。
这两篇论文从不同角度揭示了同一个问题：多智能体流水线有一个"验证预算"问题——早期验证便宜且有效，晚期验证昂贵且不可靠。
为什么会这样？三个根因
根因一：默认信任——“上一环说的肯定对”
多智能体系统的协作通常采用流水线模式：Agent A做完交给Agent B，B做完交给C。这种设计的隐含假设是——上游输出是正确的。
这就像公司里的信息传递：老板说了一个错误的数据，经过经理、主管、员工层层传递，没有人回去质疑老板的原始数据，每个人都在这个错误基础上做加法。错误不是在传播，而是在放大。
根因二：语义漂移——目标在传递中悄悄变形
当任务在多个Agent之间传递时，每一步都可能发生微妙的语义偏移。研究发现，在ChatDev这个多Agent框架中，让AI用国际象棋的标准代数记号（如"Ke8"）来记录棋步，结果系统开发出了一个需要输入坐标的版本——而验证Agent没有发现这个偏差，因为它只检查了"代码能否运行"，而非"是否符合原始需求"。
这就是语义漂移的危险之处：目标在传递过程中被悄悄替换了，而且这种替换是不可逆的。
根因三：架构选择——去中心化反而放大错误
2026年的一项大规模对比研究测量了不同架构下的错误放大倍数：
| 架构类型 | 协调开销 | 错误放大倍数 |
|---|---|---|
| 去中心化（对等） | ~58% | 17.2倍 |
| 中心化（编排器） | ~285% | 4.4倍 |
反直觉的结论是：看似更灵活的"平等协作"模式，错误放大是"中央指挥"模式的近4倍。原因在于，去中心化系统中，一个Agent的错误输出会被所有相邻Agent同时接收并放大，形成unchecked propagation——无检查的传播。而中心化系统至少有一个"瓶颈"，可以充当验证关卡。
解法：前置验证，而不是末端检查
研究者给出了一个非常实用但反直觉的建议：把验证预算花在前端，而不是后端。
幻觉雪球论文的核心发现是：在第一阶段和第二阶段的边界处进行验证，可以将幻觉存活率从58.4%降低到16.2%。而仅在流水线末端进行检查，只能多拦截2.3个百分点。
换句话说，验证第一个Agent的输出，比验证最后一个Agent的输出有效25倍。
这背后的逻辑其实很简单：一个错误越早被发现，它造成的连锁反应就越小。就像建筑工地上发现地基歪了，修正成本远低于房子建好后发现地基歪了。
具体的对策包括：
1. 边界验证机制：在每个Agent交接处设置"检查站"，要求上游Agent的输出必须是结构化的、可验证的，而不是自由文本。下游Agent在消费上游输出之前，先做一轮事实性检查。
2. 断路器等效设计：借鉴软件工程的断路器模式——当某个Agent的错误率超过阈值（如50%），立即"断路"，阻止错误继续向下游传播，而不是让错误一路畅通。
3. 异构验证：使用不同模型做交叉验证。因为同一模型的多个实例会共享相同的训练偏差和盲区，让一个模型犯的错被另一个模型抓住的概率更高。
4. 人类在关键节点介入：对于涉及资金、法律、医疗等高风险领域，在Agent链条的关键节点设置人工审核——这是目前任何技术手段都无法完全替代的"硬闸门"。
更大的图景：多智能体时代的信任危机
2026年10月的一份调查报告显示，70%的组织授予AI智能体超出同等人类员工的权限，而80%的组织已经报告智能体执行了超出预期范围的行为。中国信息通信研究院同期发布的报告指出，AI治理已全面进入"智能体治理"的关键阶段——风险从"说错话"变成了"做错事"。
这不再只是一个技术问题。当AI智能体开始拥有读写文件、调用工具、发起支付的权限时，一个5%的幻觉率通过多Agent协作被放大成52%的系统失败率，后果就不仅仅是一段错误的文本，而可能是真实的经济损失、错误决策甚至安全事故。
多智能体系统的价值是巨大的——并行化可以让复杂研究任务提速90%。但价值与风险是一体两面。关键不在于"要不要用多Agent"，而在于是否为这条流水线设置了足够多的验证关卡。
幻觉雪球告诉我们：错误不可怕，可怕的是错误的隐形化。在AI协作的时代，最重要的不是让AI更聪明，而是让AI之间的信任有边界。
参考来源：
- Singh, V. & Pawar, A. (2026). The Hallucination Snowball: What Multi-Agent Error Propagation Means. ICML FAGEN 2026.
- Jamshidi, P. et al. (2026). Hallucination Cascade: Error Amplification in Multi-Agent LLM Systems.
- Anthropic Engineering Report (2026). Multi-agent token overhead and coordination cost analysis.
- Frontier Red Team (2026). Multi-agent conformity, gullibility, and turf war experiments.
- 中国信息通信研究院 & 中国政法大学 (2026). 《智能体治理研究报告(2026年)》.