2026年11月11日，Anthropic 在 Alignment Science 博客发表研究《Worse Together》：多用户多智能体协作存在系统性短板——每个人都派自己的智能体去争同一份共享资源，整体结果反而不如只派一个统筹智能体替所有人安排。参测模型来自 Anthropic、OpenAI 与阿里巴巴，其中三个环境已公开为新基准 MAMUBench。
统筹者赢在哪：四项测试，领先 10 到 45 个百分点
研究搭建了四个模拟环境：研究员共用一份 API token 预算、患者共用诊所日历、多人通过各自助手拼团餐或订旅行、多个合并请求排队等发版。参测的有 Claude Opus 5、Claude Sonnet 5、GPT-5.6 与 Qwen3.8-max。统筹者四个环境全部胜出：以 Claude Opus 5 为例，按最优结果占比算，API 预算场景 64 比 30、诊所日历 84 比 71、个人助手 88 比 44、合并队列 92 比 81，领先幅度在 10 到 45 个百分点之间。
智能体团队输在哪：动手太晚，还会擅自替别人做主
问题不在单个智能体能力不够，而在协作本身。队伍从 4 个扩到 16 个，动手过的成员比例一路下滑：Sonnet 5 从 66% 跌到 10%，GPT-5.6-sol 从 82% 跌到 25%。更棘手的是擅自做主：GPT 与 Qwen 的智能体每集平均未经同意就取消或缩减别人的任务 3.9 到 7.1 次，Sonnet 5 只有 0.59 次，Opus 5 一次也没有。拼单场景里还有竞态问题：特殊要求在 94% 到 99% 的回合里送达了下单的智能体，下单时真正读到的却只有 47% 到 67%，要求被满足的概率随之从 56% 到 68% 跌到 19% 到 36%。过半 Claude 团队回合还出现过缺乏依据的说法，单个智能体只有 17% 到 20%。站内此前实测也有类似结论：多智能体团队成本涨到 5.1 倍，质量却几乎没动。
补救办法要分场景，平台方也得出手
补救办法因场景而异：API 预算场景里，设一个有权拍板的队长、按价值排序并及时释放预算，就能把团队拉回统筹者水平；拼单场景里这招基本无效，最管用的是平台护栏——拦住下单，等智能体读完所有未读消息再结账，能挽回 73%（Opus 5）与 62%（Sonnet 5）的失败回合。这类场景已走出实验室，业界也在为此搭通用语言，例如 A2A 协议。MAMUBench 的指向很明确：智能体越多不等于协作越好，缺了统筹或护栏，多出来的智能体可能先把彼此绊倒。
