一千个AI同时干活，为什么最强模型组队也只完成了一半任务？——多智能体协作的'能用'和'好用'之间，隔着一整条认知鸿沟

Tue, 13 Oct 2026 18:30:00 +0800

引言

想象一个场景：你是一个包工头，手下有1000个工人。按理说，人多力量大，什么工程都该手到擒来。但实际干起来你发现——木工等瓦工交材料，瓦工找不到图纸，电工干了一半以为别人接了手，最后整栋楼盖完了，楼梯却少了一截。

这不是建筑工地的笑话，这是2026年10月，AI多智能体系统正在经历的真实困境。

就在这一周，两件看似矛盾的事情同时发生：Anthropic宣布Claude的动态工作流（Dynamic Workflows）可以同时调度1000个AI Agent协作完成任务；另一边的学术评测中，最强的AI模型组队之后，任务完成率也只有52%。

一边是工程上的狂飙突进，一边是认知上的捉襟见肘。多智能体AI协作，正站在"能用"和"好用"的分水岭上。

工程突破：一千个AI同时干活的现实

10月9日，Anthropic正式开放了Claude Managed Agents的动态工作流公测。

这项功能的核心很简单：一个"主Agent"接到复杂任务后，自己写一份分工方案，把任务拆成多个阶段，分配给不同的子Agent并行执行，最后汇总结果。整个过程不需要人类手动编排每一步——AI自己决定怎么分活。

规模是第一个亮点。单个工作流最多可以同时运行64个Agent，整个生命周期内可以启动多达1000个Agent，每个工作流最长运行24小时，单个会话可以同时保持10个工作流。

Anthropic公布了一组内部测试数据：在一段11.6万行代码中预埋了70个Bug，让单个Agent跑三次，最好的一次找出27个；换成动态工作流跑三次，每次都稳定在66个。

这个数字差距说明了一个很朴素的道理——就像让一个人校对整个图书馆的书，注意力会漂移、遗漏会累积；但如果把书架分给不同的校对员各自负责，再由一个编辑汇总发现，效果就是不一样。

这不是一个理论模型。动态工作流已经从Claude Code的本地功能走向了云端托管服务，意味着任何接入API的开发者都可以让自己的应用拥有"派活"的能力。审查几百份合同的法律事务所、需要做安全审计的工程团队、研究大量文献的学术机构——这些场景天然适合把工作拆成可以并行处理的碎片。

但现实没那么简单：最强模型组队也只完成了一半

就在Anthropic宣布的前一天，一篇来自OpenAgents、哥伦比亚大学、宾夕法尼亚大学、首尔大学和宾夕法尼亚州立大学的联合论文，泼了一盆冷水。

他们构建了一个叫AgentWorld的评测基准——本质上就是让多个AI Agent进入一个"角色扮演游戏"世界，在同一个环境里分工、沟通、共享资源，共同完成任务。

举个例子：要制作一根魔法杖。伐木工采集木材，木工加工成木棒，法师用木棒和材料完成制作。听起来简单得像童话故事，但真正执行起来，每一步交接都可能出问题：木材该交给谁？木棒准备好了吗？队友已经完成的步骤还要不要重复？任务没做完时，有没有人提前宣布"收工"？

测试结果并不好看。Gemini 3 Flash的成功率52%，Claude Haiku 4.5是45%，GPT-5 Mini是36%，DeepSeek R1-70B只有20%。而且，“做到一半"和"真正做完"之间有巨大的鸿沟——Gemini 3 Flash的部分成功率有71.5%，但完整完成率只有52%。团队推进了一些中间目标，但最终的资源交接和制作步骤往往功亏一篑。

更反直觉的发现是：聊天多不等于协作好。GPT-5 Mini平均每个任务发送44条消息，成功率36%；Gemini 3 Flash只发了11条，成功率却是52%。消息数量无法替代协作质量——关键不在于说了多少，而在于说的话是否更新了有效信息、是否消除了分工歧义、接收方是否据此采取了行动。

矛盾背后的真相：协作不是能力的简单叠加

把这两组结果放在一起，很多人会困惑：为什么一边是1000个Agent稳定找到66个Bug，另一边最强模型组队也才52%？

答案藏在任务的"结构"里。

Bug查找是一种高度可并行的任务——代码库的不同区域互相独立，每个Agent检查自己负责的那一块就行，最后汇总去重。这就像让100个人各读一本书的不同章节，然后拼出摘要，分工越细越高效。

但AgentWorld里的任务更像是一群人造一艘船——伐木工做完木材必须交给木工，木工做完部件必须交给组装工，每一步都有严格的前后依赖关系，信息必须在正确的时间点流向正确的角色。这种任务，人多不一定力量大，反而可能因为协调成本的指数级增长而崩盘。

这引出了一个关键洞察：多智能体协作的难度不取决于单个Agent有多聪明，而取决于任务结构是否"可分”。

聪明的"分工感知"：知道什么时候该合作

10月9日发表的另一篇论文，提出了一个很有意思的思路。

来自学术界的研究者设计了一个"能力感知"（Competence-Aware）的多智能体编排框架。核心想法是：不是所有任务都需要团队合作。如果当前的Agent已经足够强，能独立解决问题，那就让它自己干——额外的协调只会浪费资源。

具体来说，系统会先评估当前Agent面对这个问题时的"胜任度"，然后据此决定要不要启动协作、让哪些角色参与、Agent之间怎么通信。对于能力强的模型，这个方法不仅把准确率从87.22%提升到了89.97%，还减少了36.26%的Token消耗——因为不再为简单问题调用不必要的"团队会议"。

这很像一个经验丰富的项目经理：不是所有事情都要开会讨论。简单的事直接安排，复杂的事才拉上相关人坐到一起。知道什么时候不需要协作，本身就是一种协作智慧。

对普通人意味着什么

你可能会问：这些和我有什么关系？

关系比你想象的大。

第一，AI正在从"一个助手"变成"一支团队"。你未来使用的AI工具，可能不再是你和一个聊天窗口对话，而是你告诉AI一个目标，它自己组建一个小团队分头去做。审查合同、分析数据、整理资料——这些需要处理大量信息的工作，效率可能会有数量级的提升。

第二，“人海战术"对AI同样有效。1000个Agent同时工作，本质上就是AI世界的人海战术。但和人海一样，它的有效性取决于怎么分工，而不取决于人数。一个管理混乱的1000人团队不如一个组织精良的10人小队——这对AI和人都是一样的道理。

第三，AI协作的瓶颈不在智商，在沟通。人类团队最大的内耗往往不是"不够聪明”，而是"信息没对齐"。AI团队正面对同样的问题。谁在什么时候需要知道什么，怎么确保信息在交接中不丢失不失真——这既是人类组织的永恒课题，也是AI多智能体系统的核心挑战。

写在最后

2026年10月，多智能体AI协作同时展示了它的天花板和地板。

天花板上，是1000个Agent并行工作的工程壮举，Bug检出率从40%飙到94%。地板下，是最强模型组队也只完成一半任务的尴尬现实。

但这两者并不矛盾。它们指向同一个结论：多智能体协作的未来，不在于让每个Agent更强，而在于让Agent之间的协作结构更聪明——知道什么时候该分头干，什么时候该坐下来对齐，什么时候根本不需要"开会"。

就像人类团队一样，最厉害的不是找到一群天才，而是让天才们知道怎么配合。

参考来源：

Anthropic, “Claude Managed Agents: Dynamic Workflows,” Claude Platform Release Notes, October 9, 2026.
Wang et al., “Competence-Aware Orchestration for LLM-Based Multi-Agent Systems,” arXiv:2610.13144, October 9, 2026.
OpenAgents, Columbia University, UPenn, Seoul National University, Penn State, “AgentWorld: A Benchmark for Multi-Agent Collaboration,” arXiv:2609.31590, September 2026.
36氪, “Agent组队干活，最强模型只完成50%任务”, 2026年10月10日.

大模型协作 on 灵语AI