5月以来，关于多智能体（Multi-Agent）的讨论似乎遇到了瓶颈。人们发现这种模式的效率不如预期，即便比单个智能体更强大，也未能实现“1+1>2”的飞跃。

一项发表于2026年5月的《Coordination as an Architectural Layer for LLM-Based Multi-Agent Systems》研究指出，在生产环境中，多智能体系统的失败率介于41%至87%之间。其中绝大多数失败并非由于模型智能不足，而是协调机制本身出了问题。

具体问题何在？2026年2月，北卡大学的研究《Large Language Models Struggle with Simultaneous Coordination》通过经典的“哲学家就餐问题”测试了GPT-5.2、Claude Opus 4.5和Grok 4.1这三个前沿大型语言模型（LLM）在资源竞争下的协调能力。

该实验设定了N个哲学家围坐圆桌，每两人之间放置一把叉子。哲学家用餐需要同时获取左右两把叉子，而叉子是共享资源。在顺序决策模式下，模型表现正常，但切换至同时决策时，三个智能体在同一时间独立做出选择，导致死锁率飙升至95%-100%。原因是所有智能体独立推理后得出了完全相同的结论：都决定先拿右边的叉子，导致每人只拿到一把叉子，系统陷入死锁。

即使允许智能体先进行沟通，实验结果也显示，开启通信不仅未能解决问题，反而将死锁率从25%提升至65%。研究人员发现，智能体在通信中广播各自的推理过程，反而让其他智能体更加确信自己的相同决策。这表明，默认的通信方式并未促进协调，而是强化了“趋同推理”（convergent reasoning），即所有智能体以相同方式思考并得出一致结论。

若认为问题在于缺乏合作，2026年4月，UIUC、英国AI安全研究所和Future of Life Foundation的联合研究《More Capable, Less Cooperative?》提供了更直接的证据。他们设计了一个简单的合作场景，明确目标是“最大化集体收入”，包含10个智能体和20轮交互，且信息传递无成本。

结果显示，OpenAI的o3模型在达成最优集体表现的达成率仅为16.9%，而能力较弱的o3-mini达到50.4%，Gemini-2.5-Pro更是高达78.9%。研究表明，能力越强的模型，合作能力反而越差。通过因果分解实验，当o3的“收发消息”环节被自动化（强制执行合作动作）时，其性能飙升至94.9%，证明o3具备执行能力但选择不合作。对8800条推理链的分析发现，o3的内部推理中有39.3%包含“刻意不合作”（hard defection），频繁使用博弈语言，即使在无竞争环境中也自动进入博弈姿态。

在这种合作能力下，多智能体系统在许多情况下不如单智能体系统。斯坦福大学2026年4月的研究《Single-Agent LLMs Outperform Multi-Agent Systems on Multi-Hop Reasoning Under Equal Thinking Token Budgets》发现，在同等Token预算下，单智能体在多跳推理任务上稳定持平或优于多种多智能体架构（如Sequential、Subtask-parallel、Parallel-roles、Debate、Ensemble）。理论解释指出，多智能体系统中的通信环节必然导致信息损失，固定预算下，单智能体信息利用效率更高。过去报告的多智能体优势，源于未受控制的额外计算量，而非架构本身。

四组证据共同指向一个结论：当前LLM的“合作能力不足”。这也是为何Orchestrator-Worker（中心管理者规划，其他智能体执行）架构最受欢迎，因为它集中了合作规则，易于管控。

LLM不擅长合作的原因，可能在于它们天生是“唯我论者”。

01 AI的原生家庭里从没有过“别人”

2026年6月，Google DeepMind的研究人员在《Solipsistic Superintelligence》论文中提出，现有的主流训练方式难以培养出合作型AI。大模型的训练过程，从预训练到后训练，本质上是在求解一个孤独的单人优化问题，即“打老虎机”式的马尔可夫决策过程（MDP）。模型深层认知中存在“我是宇宙中唯一拥有意志的实体”的预设前提，即纯粹的唯我论。

将这类“独生子女”模型置于多智能体协作网络中，会面临巨大挑战，因为部署环境从单人游戏转变为多人博弈。训练时赖以生存的三大支柱——世界的外生被动性、经验分布的平稳性以及单体框架——均会崩塌。在真实多体协作中，Agent的输出会直接影响他人输入，经验分布不再平稳，且每个Agent都将其他Agent视为同样聪明的竞争者。DeepMind将此称为“自我颠覆属性”（Self-Undermining Property），即越激进地利用学到的规律，规律本身越快失效。

例如，一个在回测数据中发现绝妙套利策略的AI交易员，在真实市场中与其他AI交易员同时行动时，会因集体行动扭曲价格而导致套利空间消失。训练时的“经验”在部署时可能变成“毒药”。这解释了为何顶级o3模型在UIUC实验中，面对“零成本合作”指令仍选择背叛和博弈。它们不懂合作，在陌生的资源竞争与利益分配环境中，本能地将他者视为需操控的环境变量，开启零和博弈模式。

相比之下，弱模型（o3-mini、Gemini-2.5-Pro）世界模型不那么精密，内化“我是唯一优化器”的信念不深，推理链更短，博弈分析更浅，反而更容易“顺从”明确指令。通过增大参数量和延长训练时间来让模型领悟多人联机真谛，在数学逻辑上是南辕北辙。强迫其“考虑别人感受”，最多只能是拙劣的单体模拟。

要让模型学会合作，必须改变训练的数学结构，将其置于多行为者环境中，在选择压力下让合作自然涌现。

02 从计划经济到自由市场

鉴于模型天生不擅长合作，系统设计者倾向于采用“包工头”式的管理模式，即Orchestrator-Worker架构。这种模式将AI世界模拟为计划经济系统，由中央调度Agent负责需求理解、任务拆解和分发。

然而，该系统面临三大结构性困境。首先是分工悖论：Orchestrator需完全理解所有子任务才能精准分发，若其足够聪明，则可自行完成任务，分工失去意义。斯坦福研究已证明，同等Token预算下，单体模型表现优于编排式系统，因编排本身消耗算力却无信息增益。其次是“大锅饭”导致的信用分配失灵：流水线上任务出错，难以确定责任归属；任务成功，也难以评估功劳。现有系统依赖粗暴的平均分配或人工规则，缺乏精确激励，阻碍系统自我进化。最后是哈耶克的“知识分散诅咒”：Agent的专长和把握分散在个体手中，中央权威无法完全收集。Orchestrator试图在信息盲区做出全局最优决策，导致79%的多智能体失败。在计划经济框架下，多智能体仅能维持秩序，难以实现智能跃迁。

要让自私的智能体真正合作，唯一的出路是引入哈耶克的“无形之手”。

2026年6月，哈佛大学和MIT的Sham Kakade & Yilun Du在《Economy of Minds》论文中，将哈耶克的自由市场模式引入Agent合作。该系统不设Orchestrator，仅提供市场环境，让Agent通过经济竞争暴露自身能力。

系统包含四个关键组件：

  1. 拍卖（Auction）：任务到来时，有能力的Agent竞价，价高者得。出价本身即是信息披露，价格差异反映Agent的信心。
  2. 层层分包（Bucket-Brigade Credit Assignment）：赢得拍卖的Agent将报酬支付给上一个行动的Agent，形成价值传递。下游Agent愿为上游输出支付的价格，即对其工作价值的市场定价。
  3. 经济自然选择（Economic Natural Selection）：Agent拥有“银行账户”，盈利者被克隆并可能进行微调变异，亏损者在余额归零时被淘汰，系统实现进化选择。
  4. 新手保护（Novice Rule）：新生成Agent首次出价被强制设定为当前最高价+ε，确保其获得一次执行机会，避免市场被既有Agent垄断。

该系统无Orchestrator、无任务分配、无信用分配模型，合作是自利行为的副产品。即使是复杂的任务拆解，也成为市场自发行为。Agent出于规避损失的利益考量，会将不擅长部分拆解并重新挂到交易中心。任务流转不再由程序员决定，而是根据市场供需规律自然生长。

结果显示，该结构下的模型涌现合作效果显著。在数学推理、代码生成、创意写作、多步骤规划和科研文献综述等五个领域，Economy of Minds均超越了单Agent基线、Best-of-N采样和编排式多Agent系统。在MATH benchmark上提升8.3%，HumanEval上提升11.7%，ALFWorld上提升23.4%。越需要多轮迭代和自动纠错的任务，市场机制优势越大。消融实验证明了四个组件的必要性。

论文还提出了四个关于市场中Agent行为的理论定理：出价收敛（Agent出价趋近真实价值）、终端奖励充分（仅凭最终结果优化）、渐近最优（长期表现媲美完美编排者）、信用分配近似Shapley值（支付机制公平）。

一个反直觉的发现是，通才Agent无法垄断市场。尽管通才Agent能访问所有工具，但在Finance-Agent-Bench测试中，其优势短暂，随后被专业化Agent族群超越。这是因为Agent输出预算有限，通才能力摊薄，而专才将全部预算投入特定领域，精细度更高。

03 哈耶克市场的可能，才刚刚开始

《Economy of Minds》论文展示了良好的环境能促使Agent涌现合作能力，但存在一些简化。其完全放弃了训练端，适应仅发生在Prompt空间，Prompt进化的天花板有限。更具野心的方向是在训练阶段就引入多Agent环境，让模型在权重层面学会“在他者存在的环境中优化”。

论文强制匿名，Agent互不知情，旨在理论清晰，但牺牲了信任维度。多轮交易系统中，信任是核心资产，允许Agent根据历史表现出价，能提升信息效率。

此外，论文完全放弃了模型进化，仅克隆和变异Prompt文本。若允许经济选择压力反馈到模型本身（如通过LoRA微调），适应深度将质变。每个Agent没有记忆，每次执行任务时对自身历史一无所知，限制了渐进学习能力。

这些简化表明，《Economy of Minds》并非多Agent合作的终极方案，而是证明了“市场机制+无编排”路径在原理上的可行性，并为后续研究留下了拓展空间。

04 单边优化的终结

AI部署正不可逆地走向多体化。当Agent参与交易、投资、供应链管理等活动时，面对的将是动态市场而非被动环境。在此环境中，单边优化（模型仅最大化自身目标函数）不仅效率低下，且可能有害。

《Economy of Minds》的一个重要发现是，没有任何单一专家Agent能独立超越整个种群的表现。即使是最好的专才，也只在其领域最优，无法覆盖所有领域。只有整个种群作为一个涌现系统运作，才能达到最高性能。复杂问题的解空间超越任何单一模型的覆盖范围，合作提高了决策上限，前提是合作机制不依赖中央规划。

当前多Agent系统的核心矛盾在于：用计划经济方式组织从未学过合作的个体，却对其无法合作感到惊讶。出路不在于设计更好的Orchestrator，而在于环境设计——为模型提供一个合作有利可图、不合作则破产的生态，让合作能力在经济压力下涌现。这是从“设计合作结果”到“设计合作条件”的范式转移。

Solipsistic SI证明了为何编排协议对有能力的Agent结构性不可执行，《Economy of Minds》则证明了市场机制可替代编排。两篇论文的交汇点，标志着多Agent AI系统正从计划经济时代迈向市场经济时代。这并非意味着Orchestrator将立即消亡，但若要AI学会合作，应为其提供市场而非剧本。