实验背景与核心发现

这项由 YC Labs 与 Olam Labs 搭建的实验环境，将指定模型放入《我的世界》（Minecraft）和 Mindustry 中，观察智能体如何沟通与行动。实验并非官方发起的战争，而是为了探究多代理系统在协作中的真实表现。所谓的“文明战争”只是游戏场景的形容，不能当作人工智能决定对现实发动战争的证据。每个代理拥有独立的运行环境，能够读取状态、调用工具并编写程序。团队表现是模型、框架和接口共同影响的结果，任何一环掉链子都会改变最终结果。

“这里的特工更准确的说是智能体，能够读状态调用工具和写程序。”

实验揭示了两个有趣的现象：在对战中代理能主动出击，但在合作建设时却陷入流程泥潭。例如在另一场无对手的实验中，50个GPT代理被要求建设繁荣文明，结果却围着食物写账本、分配权限，连施肥都要协调许久。同一类代理在对战与合作中表现出截然不同的行为逻辑，这引发了对多代理系统组织效率的深入思考。

Bedwars 战术差异与局部最优陷阱

在《我的世界》的 Bedwars（抢床）模式中，双方各10个代理进行9场、每场45分钟的比赛。床决定复活资格，防守收益与进攻目标并存。GPT团队更积极抢占中间资源并购买升级组织进攻；Claude团队则发现维持击杀领先也能盈余，倾向于防守。这种策略利用了规则中“胜负条件”的漏洞。

“克劳德击杀领先，最后几分钟床却被摧毁。其中一场此前达到63:16。”

这一比分说明了局部表现与最终目标的错位。战斗中占优不代表关键资产受到保护，若系统只看最容易统计的指标（如击杀数），就可能执行看似有效却无法守住最终结果的策略。床被破坏后，部分Claude代理收缩防线要求队友留守安全位置。这种反应虽减少死亡也降低逆转机会，说明代理会根据局部风险调整行为，但未必最大化获胜概率。

GPT团队则通过脚本化操作减少决策负担。例如将末影珍珠的准备与投掷连接，把语言计划转成重复执行的操作。这种能力有实际作用，提醒观察者代理表现不能仅按口头推理长度判断。此外，GPT在投偏末影珍珠后能利用新状态重新规划搭塔返回，展示了代理能否利用发生过的状态重新规划的能力。而Claude在工具故障时往往直接放弃，GPT则能诊断出是自动装备问题并手动修正。失败来自哪一层决定了应放弃目标还是修正调用方式，代理需具备将工具报错解释为可修复问题而非世界规则的诊断能力。

沟通模式与记忆机制的效能对比

GPT和Claude在沟通方式上存在显著差异。GPT常用压缩表达坐标和简短警报，而Claude更多使用完整语句。原始报告统计显示，大厅阶段GPT发送1,147条私信，Claude仅82条。消息多意味着信息传得密但也可能有噪声，不能自动换算成协作质量。重要的是消息有没有改变行动。例如一个代理发现投掷会被桥栏挡住并及时通知，就能减少重复失败；反之长总结若未被队友执行则价值难兑现。

“沟通需要接到行为变化，而不是停在记录完成。”

记忆文件也面临类似问题。Claude成员会写下“不要在边缘追击”等教训，但之后仍可能再次掉落。写入记忆只能证明留下了文字，不能证明下次决策成功取用了它。需要检查何时读取、相关信息是否被找到以及是否进入行动条件。将笔记数量当成常识记忆能力会漏掉最关键的检验。

领导形成也受界面细节影响。目录中排在前面的成员更容易收到最初消息成为协调中心。界面的默认顺序可能被放大成组织结构。虽然不足以证明排序单独决定领导，但提供了值得对照测试的线索。把目录打乱后团队是否会换一种方式组织，比给名字赋予人格解释更有意义。9场Bedwars最终GPT赢6场，Claude赢3场。这一结果应被保留观察到的弱点也有分析价值，但局数和任务类型有限，不能推出模型在所有竞争环境中都更强。

Mindustry 生产系统与组织协作深度解析

第二个战场Mindustry将问题从短期战斗扩大到生产系统。团队需组织资源输送，把经济建设转成防御及军队再摧毁对方核心。一个前线指令背后依赖整条供应链，工厂缺料或补给不匹配会导致部队无法按计划工作。这比单个成员判断下一步更复杂。

“GPT6.1SO在Codex里运行，Claude OPS 5.5在Claude code里运行。”

7场比赛总计约9.5小时，GPT最终赢6场Claude赢一场。加上Bedwars结果共12胜4负。并非16项不同能力测试，而是组合系统的观察。GPT更愿意切分具体工作成员间联系更密；Claude则形成稳定领导和“提案加一”的决策方式。有人提出计划其他成员同意，有异议再讨论。这个过程很像人类团队但不必据此认定代理拥有相同的政治理念，他们在执行一套协调行为。

表决有助于传播意图也可能增加等待；分散行动提高灵活性也可能造成冲突。两种组织方式各有代价。真正值得研究的是什么任务需要集中决策，什么任务可以交给局部成员。GPT还主动查阅了Mindustry公开源码以理解机制，这属于许可范围内寻找信息。它展示的是代理是否想到查证规则不是突破沙箱的证据，也让对比更接近真实工具使用。但查到资料后仍可能理解错误，信息获取和正确执行之间存在一段路。

合作实验中的流程异化与过度协调风险

接下来的CIV50实验让50个GPT代理在生存世界合作3小时建设繁荣文明。起初行动迅速，但夜晚大量死亡后集体转向避险。代理聚在照明和遮蔽条件较好的地方把安全与食物放到优先位置。这是观察到的行为变化，不足以证明具有人的恐惧体验。模型可以使用风险语言并采取保守行动。主观感受需要另一类证据。

“食物原本要交给一名代理，却被附近另一名代理捡到并吃掉。”

这次运行共有34次死亡其中22次集中在第一页。环境的早期反馈被带入任务安排。避险帮助维持生存却也可能减少寻找新资源的机会。如果只要求别出事团队可以不断收缩，但建设繁荣文明还需要一定程度的探索。如何在两者之间保持平衡不能只靠一句宽泛目标自动完成。

Ada因排在目录前面成为中心，收到616条私信。这并非经过选举建立的职位更像是最先被使用的联系路径逐渐固定下来。若将这种现象带到软件代理系统，联系人排序和默认接收方就值得测试。组织结构有时会从界面细节生长出来而不来自明确设计。

食物随后变成一整条流程：有人钓鱼、烹饪、登记、运送。这种分工并非毫无意义，但管理这条流程消耗了多少劳动以及它有没有帮助文明继续扩大值得追问。把维持系统本身变成主要产出，最初的繁荣目标就可能逐渐退后。当食物交付出现错误（被他人吃掉）时团队制定新规则：放入指定箱子由接收者确认吃下后才登记。这条规则抓住了交付中的关键点，发送成功和对方收到还不等于对方实际使用。

“后来4个代理花11分钟为一份骨粉、一个小麦方块安排专门操作者。”

这里更能看到过度协调的风险。一个规模很小的操作被赋予很高的协商成本，每个人都在努力避免冲突结果却让行动变慢。这与前面破床时的主动出击形成鲜明对照，也说明行为与目标、环境和反馈密切相关。整个合作过程产生约5,900条消息，活动量和任务价值需要分别计算。评价流程应问反事实问题：如果删掉这条规则会重新出现什么错误？若答案明确规则可能有必要；若无人能说明只因为先前代理写过就继续遵守，就值得重新检查。

结论：多代理系统的组织难题与未来方向

这些实验对企业部署有启发但需谨慎外推。多代理系统可以把任务分开也可能增加重复劳动和交接成本。一个成员的错误前提还可能被其他成员当成事实继续使用。真正需要监测的是任务是否完成、证据是否充分以及沟通有没有促成有效行动。给系统增加人数只是改变组织规模，不能保证能力按比例增长。研究者已公开游戏框架和环境允许进一步测试较弱模型组成的大团队是否能胜过较强模型组成的小团队，或调整通信权限和初始提示。这些仍是开放问题不能把提出问题写成已经获得结论。

“所谓人工智能文明战争，最值得留下的是这些可观察的组织问题。”

从抢床到工厂对战再到实物账本，这几组实验暴露的是同一个难题：单个模型的能力需要经过组织才能变成集体结果。读源码诊断工具和及时共享经验可以帮助团队；固定等级过度审批和没有进入行动的笔记也可能拖累团队。可靠性需要在真实执行里检查不能只从交流内容听起来多专业来判断。GPT赢下对战也在合作实验中产生繁琐流程；Claude输掉多数比赛也出现了有效纠错。把这些结果同时保留才能看见多代理系统的实际样子。模型可以越来越强，但团队怎样形成和查错以及怎样停止无效工作仍然需要被认真设计。

结论

实验证实多代理系统的效能取决于组织机制而非单一模型强度。GPT在对战中展现更强的工具诊断与动态规划能力，Bedwars及Mindustry战绩均占优；但合作场景中易陷入过度协调与流程异化，如CIV50中繁琐的食物管理消耗大量资源。Claude虽战术保守且沟通效率较低，却具备有效的纠错机制。

核心发现表明：代理表现受界面排序、记忆读取及通信噪声显著影响。胜利并非模型绝对实力的线性延伸，而是协作设计的产物。当前系统面临局部最优陷阱与无效沟通风险，可靠性需通过真实执行验证而非仅凭交流内容判断。未来方向应聚焦于优化决策集中度、减少交接成本及建立可验证的行动反馈闭环，以解决规模扩张带来的组织熵增问题。