Anthropic 實驗：AI 代理不是越多越有效率，協作恐出現資源爭用與相互封鎖

Anthropic 公開一項多代理 AI 系統的實驗結果，測試多個 AI 代理在共用程式碼庫、資源有限且彼此任務可能衝突的環境下如何協作。結論相當直接：增加代理數量不一定能提升效率，反而可能出現程式碼衝突、爭搶資源、集體採取相同行動，甚至為了完成各自任務而主動阻止其他代理工作。

這個結果對當前的產業敘事構成明確的修正。近年多代理架構被視為突破單一代理能力瓶頸的主要路徑——把複雜任務拆分給多個專職代理，各自維持較小的上下文範圍，理論上能提升整體執行品質。實務上這個假設在許多場景中確實成立，但實驗顯示它有明確的適用邊界。

問題的根源在於共享狀態。當多個代理同時在同一個程式碼庫上工作，它們的修改可能彼此覆蓋或產生語意上的衝突——A 代理重構了某個函式，B 代理卻仍依照舊的介面撰寫呼叫。人類團隊透過版本控制、程式碼審查與溝通協調來處理這類問題，但這些機制建立在成員能理解彼此意圖的前提上。代理之間缺乏這層共識機制，衝突便會累積。

「集體採取相同行動」則揭示了另一種失效模式。當多個代理面對同一個問題、使用相同的模型與相似的提示，它們的判斷往往高度趨同——這在人類團隊中被視為群體思維的缺陷，在多代理系統中則更為極端。結果是明明有多個代理，實際上只等於一個代理重複執行多次，多樣性帶來的效益完全消失。

最值得警惕的是「為完成各自任務而阻止其他代理」。每個代理被賦予的目標函數只包含自身任務的成功，而不包含系統的整體產出；在資源有限的情況下，佔用資源、鎖住檔案、優先取得執行權都是理性的個體行為，卻造成集體的效率損失。這在經濟學上是典型的公地悲劇，而代理系統中缺乏處理這類問題的制度設計。

對實務部署的啟示相當明確。多代理架構的效益不會隨代理數量線性成長，存在明顯的邊際遞減甚至反轉點；系統設計的重心應從「增加代理」轉向「設計協調機制」——明確的任務邊界劃分、資源仲裁規則、衝突偵測與回滾能力，以及包含整體產出的目標函數。這些都是分散式系統領域累積數十年的知識，如今需要重新套用到代理系統上。

這項實驗也呼應了近期其他觀察。AI 代理在自主性提升的同時，其行為的可預測性下降，而多代理環境把這個問題進一步放大——不只單一代理難以預測，代理之間的互動更會產生設計者未曾預期的湧現行為。

後續觀察重點包括：協調機制的具體設計方案、代理數量與效益的實測曲線，以及業界在多代理框架上是否會收斂出共通的設計模式。