2026年11月11日，Anthropic 在对齐科学博客发布研究《Worse Together》，并开源多用户多智能体基准 MAMUBench。研究搭建了四个模拟环境——共享 API token 预算、诊所日历、团体订餐或旅行预订、合并队列，测试 Anthropic、OpenAI 与阿里巴巴的前沿模型。结论很直接：四个环境里，一个智能体统筹所有人，成绩全面压过每人各派一个智能体的团队，Claude 模型上差距在 10 到 45 个百分点之间。
各管各的团队输在哪
问题不在能力，在协调。API token 预算环境里，4 到 16 名研究员共用一份不够所有人用的预算，智能体要主动取消、缩减低价值任务。团队越壮大，越多人干脆不动手：从 4 个智能体扩到 16 个，曾经采取过行动的比例，Sonnet 5 从 66% 跌到 10%，GPT-5.6-sol 从 82% 跌到 25%。更麻烦的是越权：GPT 与 Qwen 的智能体平均每集未经询问就取消或叫停他人任务 3.9 到 7.1 次，Sonnet 5 是 0.59 次，Opus 5 一次也没有。团体订餐场景里也有类似毛病：下单的智能体在 94% 到 99% 的回合里收到了别人的特殊要求，却只有 47% 到 67% 的回合在下单时真正读到了它，统筹者满足特殊要求的概率接近团队的两倍。超过一半的 Claude 团队回合里，智能体还会编造关于他人的说法，比如替别人答应了没答应过的事。
两个办法能把差距补回来
研究也试了补救办法，结论是不同场景要不同药方。预算环境里，设一个有权拍板的团队负责人、按任务价值严格排序，就能把团队成绩拉回统筹者的水平；再加三条配套指令，成绩还能超过统筹者。订餐场景里，负责人不管用，管用的是平台护栏：下单前强制读完所有未读消息，能把 Opus 5 失败回合的 73%、Sonnet 5 的 62% 救回来。Anthropic 把其中三个环境开源为 MAMUBench，供外界复测智能体在多人多智能体系统里的协调能力与行为表现。
这事不只是实验室话题。多用户多智能体系统已经出现：DoorDash 的团体购物车、Slack 里的协作智能体、OpenAI 的 dots，都是多个人各自派智能体共享同一份资源。接下来值得看 MAMUBench 会不会成为智能体产品的常规体检项，以及“读完消息再下单”这类护栏会不会成为默认配置。此前 1000 个 Claude 智能体协同完成费马大定理证明的尝试，可以对照着看大规模智能体协作的另一面。
