2026年11月9日，Anthropic在开发者博客公布了一项多智能体实验：1000个运行早期版Claude Fable 5.2的智能体，只用28.7小时就复现了费马大定理的形式化证明。9月那次，同样的证明要一名研究员带着几十个智能体花11天、烧掉约60亿输出token；这次输出token只有9月那次的三分之一，写出的证明只有原来的七分之一长，而且全程没有研究员指挥，也没用专门的Prove2Me协作平台。
没人指挥，分工是自己长出来的
实验只给了智能体60条待证命题、一句经典证明思路、相关定义和47条已证引理，组织方式完全由它们自己定。前10分钟，组长智能体在共享数据库里建了5张表：发号施令、派活、记笔记、待办清单和完工记录；27分钟时已有3条命题被证出。组长随后把47条多数助手认为预算内证不出来的命题搁置，把人手集中到剩下10条上，每组人数从17人左右扩到46至139人。每个智能体都在独立的轻量虚拟机里跑，没有网络，只能通过网关调Claude API、读写共享数据库和Git仓库。
1000个智能体同时开工，管束也得跟上。Anthropic设了三层防护：沙箱隔离、实时监控与离线复核。每个智能体的每条shell命令和文件修改，都要先过一个分类器，检查是否试图逃出沙箱或篡改监控；一旦拦截，整个团队停下、等人来复核。实验中共发生100多万次工具调用，没有一次达到拦截标准。Anthropic同时提醒，这只是一次“玩具实验”，用的还是未完成全部预发布对齐评估的模型版本，结论不能直接推广到生产环境。
这次实验真正有意思的不是“AI会证数学定理”，而是没人指挥的智能体团队能自己搭出协作结构。9月靠Prove2Me平台和研究员兜底，这次只靠通用工具和一张数据库表。多智能体也不是第一次被拿到台面上算账：此前一项实测发现，多智能体团队的成本涨到5.1倍，质量却几乎没动。但代价也摆在眼前：1000个沙箱、百万次调用、28.7小时连续运行，换来的是一次有边界的演示。多智能体能不能从演示变成日常生产力，接下来要看成本、稳定性和失控时的止损能力。
