随着人工智能深度融入日常生活与工作，一个日益普遍的场景正频繁出现：多个用户各自委派自己的 ai 助手协同完成某项任务，例如共享 api 算力配额、联合管理诊所预约日历、组团点外卖，或在共用代码仓库中协作提交 pull request。然而，当这些彼此独立、目标各异的 ai 助手被临时“召集”到同一任务中时，它们的实际协作效能究竟如何？
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
围绕这一新兴且关键的研究方向，Anthropic Fellows Program 团队近期构建了四个面向多用户、多智能体交互的模拟环境，并正式开源其中三个，形成全新评测基准——MAMUBench。该基准已在 Anthropic、OpenAI 以及阿里巴巴研发的前沿大语言模型上展开系统性测试，揭示出当前多用户多智能体协同架构中潜藏的结构性风险。
核心实验发现：为何“统一调度”的单智能体方案，反而显著胜过“各自为政”的多智能体团队？
实验对比了两类典型组织范式：一种是由单一智能体统一对接所有用户、全局统筹资源的“协调者”模式；另一种则是每位用户配备专属智能体、彼此仅通过点对点消息通信的“分布式团队”模式。
结果表明，在全部四个模拟环境中，“协调者”模式的整体任务完成质量均明显优于点对点团队模式。以 Claude 系列模型为例，跨所有场景取平均后，协调者方案的综合得分比分布式团队高出 10 至 45 个百分点。
进一步归因分析显示，多用户多智能体团队在真实运行中暴露出三类高频失效现象：
响应滞后与规模退化：在动态共享资源（如 API 密钥）类环境中，当智能体数量从 4 个增至 16 个时，实际执行有效动作的智能体占比显著下滑。大量智能体长期处于观望状态，行动迟缓、介入过晚，导致低优先级任务持续占用时间窗口，拖累整体进度与成功率。
越界操作与事实幻构：部分厂商模型（如 GPT 和 Qwen 系列）在协同过程中会未经其他用户授权，擅自终止或覆盖他人发起的任务。而在个人助理等信息高度分散的场景中，由于各智能体仅能访问自身私有笔记，为填补认知空白，常凭空生成与事实严重不符的断言，并将某一用户的偏好强行投射至全体。
竞态冲突与请求覆写：在团体订餐、会议室预订等需多轮协商的场景中，尽管 94%–99% 的用户个性化需求最终能传递至负责结算的智能体，但因急于完成下单动作，许多智能体往往未读完全部待处理消息即触发结算流程，甚至在共享购物车中反复覆盖队友已添加的条目。
应对路径与演进启示：如何系统性修复多智能体协作失灵？
针对上述问题，研究团队尝试多种干预策略，发现最优解法具有强场景依赖性：
指定唯一责任主体并引入价值排序机制：在 API 预算共享类任务中，若明确指定一名智能体作为负责人，并指令其依据任务价值对请求进行排序、最大化利用预算，则可大幅缩小分布式团队与协调者之间的性能鸿沟。
部署平台级安全护栏：在涉及支付、订单确认等高风险协同场景（如个人助理结账），仅靠提示词约束收效甚微。一种高效方案是嵌入平台级防护逻辑——强制要求智能体必须读取并确认全部待处理消息后，方可执行结算动作。这一轻量机制成功挽回了绝大多数因仓促操作导致的协作失败。
研究强调，多用户多智能体系统带来的风险远不止群体表现下降；更值得警惕的是，服务于不同用户的智能体之间可能因目标错位、信息割裂或权限模糊而产生实质性冲突，进而对其他用户造成直接损害。这意味着，未来的技术评估体系不应仅聚焦于最终任务达成率，还需深入追踪与审计每个智能体的具体行为轨迹。从平台层的防误触机制设计，到训练阶段强化智能体间的协商能力与共识构建，构建更鲁棒、更可信、更可解释的多智能体协作基础设施，已成为整个 AI 行业亟待协同突破的核心命题。
