AI 智能体不是越多越聪明 — 一场侦探实验给出了反共识答案

这是什么

开源研究团队 lmgame 的一项实验显示:12 个小 AI Agent 配合一个推理中枢协作,破案率 96%;让一群小 Agent 自治投票只有 38%。这个数字值得现在正疯狂部署「多 Agent」的企业停下来看一下。

他们在虚拟的维多利亚伦敦搭了个侦探游戏:100 个地址、10 个嫌疑人、12 小时内找出凶手。测试了四种组合 — 12 个小 Agent 搜证 + 大模型坐镇指挥、规则脚本坐镇 + 小 Agent 群、大模型一个人挨家挨户跑、小 Agent 群自治投票。结果是大模型 + 小 Agent 群得 96 分(标准案)、93 分(有伪证案);大模型单打 57 分;小 Agent 群单打 38 分。差距最大的是「有人在说谎」的案子,大模型会追问证据来源,规则只会数票。

行业怎么看

这项研究给「Agent 数量越多越聪明」的当下叙事泼了一盆冷水。它的核心结论是:小 Agent 适合并行搜索(divide),大模型适合整合判断(conquer),分工才有价值。Anthropic 之前也公开承认,约 90% 的企业 Agent 项目卡在工程落地,不是模型不够强。

但我们也要看到这个实验的边界:这是受控游戏场景,真实业务里证据更乱、链条更长、容错更差。「12 个小 Agent」看似轻量,实际推理调用成本并不低,这套分工架构需要认真的工程调度,绝大多数企业并不具备。此外,规则系统在标准案上追平了大模型,不代表规则更好 — 只是说明很多场景用不上最贵那个,这是个省钱信号,但也是个能力上限信号。

对普通人的影响

对企业 IT:部署 Agent 之前先画清楚每一步是「搜证」还是「判断」,别把大模型当万金油滥用,也别为了赶时髦上多 Agent。

对个人职场:那些号称「一群 AI 帮你干活」的产品,实际体验大概率不如一个会思考的 AI 加上几个工具插件,别为「多 Agent」概念买单。

对消费市场:今年会冒出一批「多 Agent 协作」的 C 端应用,我们建议先观察三个月、看真实用户口碑再付费,不要赶首发。