Agent组队干活，最强模型只完成50%任务！基准评测协作能力

新智元报道

个体能力强大的AI Agent正不断涌现。从编写代码、开发软件，到检索文献、辅助科学研究，它们能独立完成的工作越来越多。

但随着这些「超级个体」变得更强，一个同样重要的问题也浮现出来：它们能否合作？

回看人类社会，许多复杂成就都依赖一群人的分工与协作。假如我们要组建一家公司，制造火箭、登上月球，首先要考虑的，恐怕不是寻找一个无所不能的天才，而是如何组织一支团队：需要哪些专业人才，怎样分工，如何共享信息，又如何让不同环节的工作衔接起来。

从科学发现到大型工程，个体能力固然重要，组织和协作也决定了我们能够走多远。

这让我们开始思考：当大模型和Agent的个体能力持续增强时，它们的协作能力发展到了什么程度？面对一个共同目标，它们会不会主动交换信息、协调分工？当多个智能体一起工作时，能否真正发挥各自的优势，让复杂任务更容易完成？

带着这些问题，OpenAgents、哥伦比亚大学、宾夕法尼亚大学、首尔大学和宾夕法尼亚州立大学的研究者共同构建了AgentWorld：一个面向多智能体协作能力的评测基准（benchmark）。

论文链接：https://arxiv.org/abs/2609.31590

项目网站：https://agentworld.io/

代码与数据：https://github.com/openagents-org/agentworld

研究团队关心的是：当多个智能体拥有不同的角色、能力和资源，并需要共同完成一项任务时，它们能否形成有效的分工、保持信息同步，并把各自的行动连接起来，最终实现共同目标。

AgentWorld又补上了什么？

近年来，科研界已经在探索让多个大模型通过对话、角色分工和相互反馈共同解决问题，也提出了面向协作的评测任务，以及游戏和社会模拟环境。

随着这些研究推进，一个需要进一步回答的问题是：当任务持续数十轮、成员掌握不同资源，而且每一步都可能影响队友时，团队能否持续保持有效协作？

AgentWorld 的特色，在于把长时程任务、角色不对称和黑盒交互结合到同一个协作评测环境中。

高层工具减少了导航、操作等低层控制的干扰，程序化规则检查共同目标是否完成；进一步提出的CCE指标，则追溯哪些行动和消息被判定为对结果有贡献。这样，评测既能观察团队是否成功，也能分析跨角色的交接与配合如何促成成功。

AgentWorld简介

一支由10个智能体组成的团队，进入了一个角色扮演游戏（RPG）世界。

想象这样一个任务：给队伍里的法师做一根魔法杖。伐木工负责采集木材，木工把木材加工成木棒，法师再用木棒和自己持有的材料完成制作。看上去，只要各司其职就行。

但真正执行起来，问题可能出在任何一次交接：木材该交给谁？木棒准备好了没有？队友已经完成的步骤，还要不要重复做？任务尚未完成时，有没有人提前宣布「收工」？

这些问题，正是多智能体协作系统需要面对的考验。

AgentWorld是一个面向Agent协作能力的评测基准（benchmark）：让多个由大语言模型驱动的智能体，在同一个持续变化的环境中分工、沟通、共享资源，并共同完成任务。

在论文报告的四个主模型实验中，主任务集上的最高成功率为52.0%。这个结果提出了一个值得研究的问题：当单个Agent的能力不断提升，团队层面的协作还缺少什么？

图 1｜AgentWorld 环境示例：不同角色拥有各自的视角，通过游戏内聊天交流。截图展示一个十智能体团队，不对应下文的三智能体魔法杖任务。

把「会协作」变成可以测量的能力

「多个Agent参与」是一种系统结构，「多个Agent有效协作」则是一种需要验证的能力。

如果只是让几个模型分别回答问题，再汇总答案，我们仍然很难知道：它们能否理解彼此的职责，能否在资源不足时调整分工，又能否根据队友的最新进展修改计划。

AgentWorld把这些问题放进了一个MMORPG沙盒，也就是多人在线角色扮演游戏环境。这里有可采集的资源、可制作的物品、需要应对的敌人，以及不同位置上的队友。智能体的行动会改变环境，也会影响其他成员下一步能做什么。

游戏提供了可执行、可观察的协作场景；评测关注的是团队能否把共同目标推进到完成。

论文介绍的任务集由100个人工设计任务和100个增强变体组成，涵盖战斗、制作、采集、交易、探索、生存、建造和协调等类型。任务需要3至20个智能体参与，许多任务包含连续的资源交接与行动依赖。

这一设计把协作从一段听起来合理的对话，变成了一串必须真正发生的动作。

三个设计

让协作难题显现出来

首先是角色不对称。不同智能体拥有不同技能、物品和初始条件。队伍需要根据这些差异安排工作，而不是让所有成员执行同一套动作。

在魔法杖任务中，伐木、加工、制作形成一条依赖链。即使每个成员都知道最终目标，团队仍然需要解决「谁先做、交给谁、什么时候交」的问题。

图 2｜另一个任务示例：十名智能体承担采矿、冶炼、锻造、支援和协调等职责，共同完成物品制作目标。角色配置使分工与资源传递成为任务的一部分。

其次是黑盒交互。智能体不能直接读取队友的内部推理状态。它需要通过环境观察、聊天和行动结果，判断其他成员在做什么。这让「我以为队友已经做完了」成为真实的失败来源。

第三是多轮执行。一份开局计划无法覆盖所有后续变化。队伍必须在执行中持续更新状态：资源是否到位、队友是否需要支援、原先的分工是否仍然有效。论文中的主任务设置了数十轮的执行预算，要求智能体在多次交接中保持协调。

为了减少低层操作的干扰，AgentWorld 提供了 13 个高层 API 工具。例如，采集或攻击工具可以封装导航和具体执行流程，让模型把更多决策放在「下一步做什么」和「与谁配合」上。

这并不意味着评测完全排除了规划和工具使用的影响，但它让协作问题更容易被观察和分析。

最好的团队完成约一半任务

聊天更多也未必更好

研究在统一的提示模板、工具定义和交互协议下，评测了 Gemini 3 Flash、Claude Haiku 4.5、GPT-5 Mini 和 DeepSeek R1-70B。

主任务集上，四个模型的任务成功率分别为 52.0%、45.0%、36.0% 和 20.0%。在增强任务集上，对应成功率为 24.0%、26.0%、21.0% 和 10.0%。

图 3｜按照论文主结果表重绘。这里比较的是各模型驱动的团队，在论文指定设置下的表现；不代表对所有Agent系统设计的能力上限判断。

值得注意的还有「做到一部分」和「真正做完」之间的差距。Gemini 3 Flash 在主任务集上的部分成功率为71.5%，完整任务成功率为52.0%。团队推进了一些中间目标，并不保证最后的资源交接或制作步骤能够完成。

通信量也没有呈现「越多越好」的简单关系。GPT-5 Mini平均每个主任务发送44.1条聊天消息，但成功率为36.0%；Gemini 3 Flash平均发送11.0条，成功率为52.0%。

这组结果并不能证明少聊天会提升成功率，但它提醒我们：消息数量无法直接替代协作质量。

更值得关注的是，一条消息是否更新了有效信息，是否消除了分工歧义，以及接收方是否据此采取了行动。

完成任务之外，还要追问：哪些行动帮上了忙？

只统计成功率，还不足以描述团队的工作方式。

两个团队都完成了任务，其中一个分工明确、交接顺畅，另一个经历了大量重复采集、无效等待和信息误解。如果只看最终结果，两者会得到相同的成功标签。

为此，论文提出了Causal Collaboration Effectiveness（CCE，因果协作有效性）。

它从团队最终完成的目标往回看，计算有多少行动被判定为推动了这个结果。

成功率回答的是「团队有没有把事情做成」，CCE则进一步追问「在做成这件事的过程中，哪些行动帮上了忙」。它关注的贡献不限于最后完成任务的那一步，也包括为后续行动提供材料、条件或有效信息的准备工作。

它从完成目标的动作开始，沿时间向前回溯：这次制作依赖哪些材料？材料来自哪次转移？转移又依赖谁的采集或加工？算法借助大语言模型，对候选动作之间的因果依赖作出判断，逐步构建行动关系图。

图 4｜论文中的CCE示意图：伐木工、木工和法师的行动通过跨角色依赖相连。图中 12/27 是这条示意轨迹的贡献动作占比，不是整个数据集的平均结果。

计算方式并不复杂：

成功任务的 CCE = 被判定为对成功有贡献的动作数 ÷ 团队执行的总动作数。

以图4的示意轨迹为例，三个智能体一共执行了27个动作，其中12个被纳入通向任务成功的贡献链，因此CCE = 12 ÷ 27 ≈ 44.4%。

法师制作魔法杖是直接完成目标的动作；伐木工采集和转交木材、木工加工和交付木棒，则可能通过后续依赖间接促成成功。

聊天也可能成为有贡献的动作。如果一条消息提供了后续行动所依赖的信息，它就有可能进入这条贡献链；是否计入取决于具体轨迹和判断规则，而不是只看它属于「聊天」还是「工具调用」。

论文将失败任务的CCE按定义记为0。这是指标的计分约定，并不意味着失败过程中的每次尝试都毫无价值。

因此，跨任务平均CCE同时受到成功率和成功轨迹中贡献动作比例的影响。它应与成功率、部分成功率结合阅读，而不宜被当作一个独立的「团队默契分」。

这里需要区分两个概念：平均每个任务的动作占比，不等于把所有任务动作汇总后计算出的总体占比。也不能把没有被回溯为成功贡献的动作，一概理解为毫无意义；必要探索、信息不足下的尝试，以及判断误差都需要考虑。

CCE的价值在于提供一个可检查的分析视角，帮助研究者追问团队的工作过程。它仍依赖模型判断，也不能单独证明一套系统已经具备通用协作能力。

从重复劳动到提前收工

失败发生在协作细节里

论文对通信轨迹的分析归纳出多类失败：重复询问已经解决的问题、认错角色或资源接收者、报告错误的物品信息，以及在关键步骤尚未完成时宣布任务结束。

这些现象说明，多Agent系统需要维护的不只是「任务计划」，还有不断变化的团队状态。

对系统开发者而言，AgentWorld提供了进一步实验的场景：明确的角色分工能否减少误解？共享记忆能否帮助队伍同步进展？集中规划和分布执行各有什么优势？新的通信机制究竟提高了完成率，还是只增加了消息量？

这些都应通过对照实验回答。一个协作benchmark的作用，就是让方法改进能够落在相同任务、相同规则和可复查的执行记录上。

从「各自能干」走向「共同完成」

AgentWorld 的实验还不足以把协作困难归结为所有大模型的普遍上限。结果对应特定模型、提示、工具接口和执行协议，更丰富的规划、记忆或通信设计仍有探索空间。

但它把一个重要问题具体化了：衡量Agent团队，既要看成员能做什么，也要看它们能否在彼此依赖的条件下，共同把事情做完。

随着多智能体系统被用于更复杂的工作流程，对协作能力的评测也需要从对话质量延伸到实际行动。AgentWorld 为这种评测提供了一个可运行、可比较的实验环境。

参考资料：

https://arxiv.org/abs/2609.31590

编辑：LRST