Apple × Stanford:多智能体团队阻碍专家发挥——给「具身多 agent」泼冷水的论文

2026 年 7 月 2 日,Apple Machine Learning Research 发布了一篇来自 Stanford 与 Emory 联合团队的研究,题为《Multi-Agent Teams Hold Experts Back》。题目本身已经把结论说完了:多智能体团队,反而会让专家的发挥打折扣。这篇论文值得每一位做具身多 agent 协作、AI coding team、agent harness 设计的人读三遍。

研究问题非常直接:在不预设角色和工作流的情况下,让一群 LLM agent 自由组队、互相讨论,能不能达到「1 + 1 ≥ 2」的协同效果?研究者的结论是——不能。即使你明确告诉团队「这位是专家」,团队的整体表现仍然比那位专家单独跑要差。在 ML 基准测试上,这个差距最大达到 41.1%。

问题出在哪里?研究者拆解后给出了两个关键词:「专家识别」不是瓶颈,「专家加权」才是。LLM 团队不缺乏分辨谁是专家的能力,缺的是在讨论中愿意为专家意见加权的胆量。论文用了一个很形象的术语来形容团队的实际表现——「整合性妥协」(integrative compromise)。翻译成大白话就是:团队倾向于把专家和普通成员的意见平均化处理,谁都不得罪,最后产出一个平庸的共识。

更反直觉的是这个:这种「追求共识」的行为,反而提升了团队面对对抗性 agent 时的鲁棒性。也就是说,平均化处理让你的下限提高了,但天花板也被压下来了。这是一个清晰的「对齐 vs 专业利用」之间的取舍——你越强调对齐、越追求共识,就越难发挥专家的极限能力;越愿意让专家说了算,团队整体的稳定性又会下降。

这件事为什么对具身智能特别重要?

因为 2026 年具身赛道几乎所有的多 agent 框架——不管是 NVIDIA 的 Voyager、Mistral 的 Agent 协议、还是各家人形机器人厂商自己攒的「规划-执行-反思」三层架构——底层假设都是「多 agent 协作能放大单体能力」。Voyager 在 Minecraft 里能自我进化,就是因为它把规划、批评、执行拆给了三个 agent。但如果 Stanford 的论文是对的,那这种拆分在天花板更高的真实具身任务里反而会拉低表现。

再往前推一层。Apple 这篇论文给「Proactive Agent」范式泼了一盆冷水。所谓「proactive」,是说 agent 应当主动发现任务、自主组织团队、协同完成。Anthropic 6 月 30 日的「四象限官方分层」、千问团队 7 月 2 日的「多快好省 Harness 工程哲学」、昆仑万维 Skywork Tags「把 AI 拉进群聊」——这些产品语言里都默认了「多 agent 协同」是放大器。但 Stanford 的数据告诉我们:在被告知谁是专家之后,团队的产出仍然比专家单独跑低 41.1%。

那是不是「单 agent + 工具调用」反而比「多 agent 协作」更可靠?至少在这篇论文的设定里,答案是肯定的。

我得诚实承认这篇论文的局限性。

第一,基准测试是「human-inspired」和「frontier ML benchmarks」,不是具身任务本身——它测试的是 LLM agent 团队在 NLP 推理、ML 模型设计这类「知识密集型」任务上的协同,不直接覆盖机器人操作。第二,「多 agent 自由组队」是这个研究的特定变量,在固定角色、固定工作流的系统里这个 41.1% 的损失可能不存在——这恰恰是 Anthropic、千问、昆仑这些工程团队正在做的反方向。

但不管怎样,这份论文提供了一个非常少见的「来自产业界(Apple)+ 学术界(Stanford/Emory)」的负面数据。在所有人都讲「多 agent 协作是未来」的时候,有人愿意发一篇「多 agent 协作反而拖后腿」的论文,这件事本身就有价值。

值得做具身多 agent 的人收藏。

来源:Apple Machine Learning Research《Multi-Agent Teams Hold Experts Back》,2026-07-02,https://machinelearning.apple.com/research/multi-agent-teams-experts