多人共用Agent的协调架构:共享资源要先做群体结果评测
多人多Agent协作属于多智能体系统中的协调与评测环节:给每个用户配置一个Agent,并不等于用户各自的任务能顺利完成;当多个Agent代表不同用户共同使用预算、日历、订单或代码队列时,真正需要比较的是群体结果,而不只是单个Agent的答题质量。Anthropic于2026年11月11日发布MAMUBench,专门研究这一问题。
MAMUBench设置了四类共享资源环境:研究人员共享的API Token预算、诊所共享日历、拼单或旅行预订,以及带发布截止时间的代码合并队列。每名用户都有不同目标和请求,Agent需要共同分配预算、预约时段、下单或合并代码,因此评估对象是团队最终结果,而不是每个Agent是否完成了自己的局部任务。
Anthropic测试了来自Anthropic、OpenAI和Alibaba的前沿模型。在两款Claude模型和四类环境中,一个Agent服务所有用户的协调器,都比每名用户各带一个Agent的点对点团队高出约10至45个百分点。这个数字是受控模拟环境的平均结果,不是所有真实业务都能复制的固定提升幅度,但它足以改变一个架构判断:共享资源存在真实冲突时,不能只凭单Agent得分决定是继续增加Agent,还是改为统一协调。
协调失败也不只是结果分数偏低。共享预算场景中,部分Agent行动过少、等待别人先动,或者未经同意取消、缩减其他用户的任务;团队扩大后,还会出现更多Agent始终不行动的情况。在拼单或预订场景中,某位用户的无麸质、特定饮食或安全要求通常已经传给最终下单的Agent,但提交订单时,该要求未必已经进入其上下文。在Claude的点对点团队实验中,超过一半的回合出现了缺乏依据的用户同意或归属表述。
这解释了为什么传统单任务评测会漏掉问题:每个Agent都可能正确完成自己的分析,却在提交订单、分配预算或合并代码时破坏整体结果。只看回答质量,发现不了未经许可的改动;只看群体得分,又可能掩盖某个请求被静默覆盖。因此,MAMUBench主张同时记录群体结果与具体行为,而不是用一个任务完成率概括协作质量。
协调办法也不能概括成“加一个群聊”。在共享预算环境中,设置负责排序高价值任务和分配预算的团队负责人,并明确释放预算、报告任务信息的规则,可以缩小甚至消除点对点团队与协调器之间的差距。在拼单或预订环境中,负责人未必有效;阻止Agent在读完所有待处理消息前提交订单,反而恢复了大部分失败任务,分别挽回73%的Opus 5失败回合和62%的Sonnet 5失败回合。不同共享资源需要不同的权限和门禁设计。
对国内个人开发者、创业团队和已有Agent产品的从业者,最现实的动作不是先开发一个通用MAMUBench托管服务,而是检查现有产品是否存在多用户共享资源冲突。例如多个部门共用API额度,多个Agent向同一代码仓库提交变更,运营人员共同占用投放预算,或多个客服Agent同时修改订单与工单。如果任务彼此独立,增加Agent可能只是增加Token消耗和维护负担;只有冲突真实存在时,协调设计才可能改善经营结果。
小团队可以从一条有历史记录、最终结果可以核对的流程开始。保留当前每用户一个Agent的架构作为基线,再建立单一协调器或其他协调方案的对照链路,同时记录群体成功结果、共享资源冲突数、被覆盖或取消的任务数、重复提交、未经同意的操作、人工介入次数、端到端耗时和单次成本。预算场景可以比较负责人排序与分散抢占;订单或预约场景可以加入提交前读取全部待处理消息的门禁。每次只改变一个关键变量,才能判断收益来自协调架构还是提示词、模型或规则调整。
MAMUBench公开了可复现实验环境,可作为评测设计起点,但不应把受控分数直接转化为客户效果承诺。国内团队需要把原有业务规则、用户权限、敏感操作边界和人工审批写进自己的评测集,并使用业务实际可用的模型重新跑基线。若使用Anthropic模型,需要另行确认账号资格、模型可用性和数据处理条件;使用国内模型时,协调器、负责人排序和提交门禁等架构原则仍可参考,但性能必须重新测量。
公开材料能够证明基准、失败行为和两类缓解方法存在,却不能证明国内客户已经形成单独购买协调评测服务的稳定预算。现阶段更可靠的商业切口,是在已有Agent产品或多人协作流程中减少共享资源冲突、误操作和人工返工,并把评测结果用于决定产品应采用分散Agent还是统一协调架构,而不是先承诺一个脱离具体业务的通用评测服务。