GPT和Claude在游戏里打了16场，GPT赢了12场。但最有意思的结果出现在另一场没有对手的实验里：50个GPT被要求建设繁荣文明，后来却围着食物写账本、分配权限，连一块农田的施肥都要协调许久。同一类代理为什么能：在对战中主动出击，合作时又陷进自己的流程？

这不是OpenAI和Anthropic官方发起的战争。YC Labs与Olam Labs搭建了实验环境，把指定模型放进《我的世界》和Mindustry，观察它们怎样沟通和行动。这里的特工更准确地说，是智能体（Agent），能够读状态、调用工具和写程序。

所谓“文明战争”，是对游戏场景的形容，不能当成人工智能已经决定对现实发动战争的证据。实验也不是一道题交给两个聊天窗口：每个代理有自己的运行环境，可以与队友交换信息，再把决定变成游戏动作。

团队表现因此包含模型、框架和接口的共同影响：一个成员想到了正确策略，还要让别人知道，再让工具执行成功。任何一步掉链子，最后的比赛结果都会变化。

两款游戏提供了不同的观察窗口：《Bedwars》（抢床）有明确的关键目标；工厂对战则要求许多中间环节持续配合。代理都能写出看似合理的计划，结果却取决于他们是否根据最新状态更新计划：敌人改变路线、工具返回错误或者资源没有送到，都可能让先前的正确判断过期。

研究价值就在这些连续变化里。先看Bedwars，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，床还在阵亡后可以回来；床被破坏，下一次死亡就可能让成员退出。如果双方床都没有被毁，再按规则比较击杀数。

这个条件让游戏同时存在防守收益和进攻目标，也给代理留下了选错重点的空间。GPT团队更积极地抢中间资源，再购买升级和组织进攻；Claude团队则发现维持击杀领先也可能盈余，于是倾向于防守。

后者不是完全没有依据：它利用了规则中的一个胜负条件。问题在于这条路线能否抵挡最后阶段的破窗？一旦对手改变了决定胜负的条件，前面积累的优势可能瞬间失去作用。

报告记录的几个局面中，Claude击杀领先，最后几分钟床却被摧毁。其中一场此前达到63:16的比分很适合说明局部表现与最终目标的区别：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，就可能持续执行看起来有效、却无法守住最终结果的策略。床被破坏以后，部分Claude代理进一步收缩，要求队友留在安全位置不要追击。

这个反应能够减少继续死亡，也可能降低逆转机会。它说明代理会根据局部风险调整行为，但调整未必最大化获胜概率。这里不必给模型贴上“天生胆小”的标签，重要的是它在这个环境里怎样解释失败代价和剩余机会。

GPT也并非只会无脑冲锋：他们把一连串动作写成脚本，减少每一步重新决策的负担。使用末影珍珠时，可以把准备与投掷连接起来；脚本把语言计划转成重复执行的操作。

这种能力有实际作用，它也提醒观察者：代理的表现不能只按口头推理长度判断。能否把步骤可靠落地同样重要，有些意外还被变成新路线：末影珍珠投偏以后，代理落到竞技场下方，随后搭塔返回。

两次来到对方床的下方。这种做法在实验中是游戏内操作，不能夸张成破解现实空间。它的研究意义在于代理能否利用发生过的状态重新规划，而不是把偏离原计划一概当做终点。

工具故障提供了另一个更有价值的对比：破方块操作失败，部分代理认为这个动作已经无法使用；GPT中有成员继续检查，发现自动选择装备出了问题。手动装备合适工具后可以完成操作，再把办法告诉队友。

失败来自哪一层？会决定应该放弃目标还是修正调用方式。代理需要有这种诊断能力：把一次工具报错直接解释成世界规则，会让整个团队被错误前提困住。

一个成员宣布不可行，其他成员可能据此停止尝试。表面上沟通很顺畅，实际上只是快速复制了误判。这个案例值得关注的是：新证据能否进入团队？以及原有结论能否被推翻？

人数更多有时也会让错误传播更快。沟通方式确实不同：GPT常用压缩表达坐标和简短警报；Claude更多使用完整语句。原始报告的一场统计包含大厅阶段，GPT发送1,147条私信，Claude发送82条。

消息多意味着信息传得密，也意味着可能有噪声。不能把这组数字自动换算成协作质量，更不能宣称任何任务都该尽量多发消息。重要的是消息有没有改变行动：一个代理发现投掷会被桥栏挡住，及时通知其他成员就可能减少重复失败。

相反即使写了很长总结，队友没看到或执行时没用上，价值也难以兑现。沟通需要接到行为变化，而不是停在记录完成。游戏提供了一个可观察的环境，让这两者的差距显现出来。

记忆文件也遇到类似问题：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。

需要进一步检查：何时读取？相关信息是否被找到？以及他是否进入了行动条件？把笔记数量当成常识记忆能力，会漏掉最关键的检验。

领导形成也很微妙：目录中排在前面的成员更容易收到最初的消息，随后成为协调中心。这说明界面的一个默认顺序可能被放大成组织结构。它还不足以证明排序单独决定领导，但提供了值得做对照测试的线索：把目录打乱以后，团队会不会换一种方式组织？

比给某个名字赋予人格解释更有意义。9场Bedwars最后是GPT赢6场，Claude赢3场。这个结果应当被保留：观察到的弱点也有分析价值。不过局数和任务类型都有限，不能从中推出任何模型在所有竞争环境中都更强。

尤其是代理使用的工具、提示和运行条件改变以后，同样的策略是否出现？还需要重新检查。第二个战场Mindustry把问题从短期战斗扩大到生产系统：团队要组织资源和输送，把经济建设转成防御及军队，再摧毁对方核心。

一个前线指令背后可能依赖整条供应链：如果工厂缺料或者防御设施的补给不匹配，部队数量再多也可能无法按计划工作。这比单个成员判断下一步更复杂。

这组实验中，GPT 6.1 SO在Codex里运行，Claude Opus 5.5在Claude Code里运行。双方有相同游戏接口但代理框架不同，因此观察的是组合系统：7场比赛总计约9.5小时（其中一局超过4小时）。GPT最终赢6场，Claude赢一场。

加上前面的结果才得到12胜4负，并非16项不同能力测试。研究者观察到：GPT更愿意切分具体工作，成员之间联系更密；Claude则形成稳定领导和“提案加一”的决策方式：有人提出计划，其他成员表示同意；出现异议再讨论。

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。效果仍应按任务结果判断：表决有助于传播意图，也可能增加执行前的等待；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：这次特定比赛中GPT的部分主动行动发挥了作用。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？以及局势改变后能否重新分配权限？

GPT还主动查阅了Mindustry公开源码。这一步很容易被说成作弊，但研究者明确允许联网读取：代理不能修改服务端代码。他们借助公开资料理解单位和机制，再把发现带回讨论。

所以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，不是它已经突破沙箱或入侵游戏公司的证据。这也让对比更接近真实工具使用：面对一个没有把握的机制，代理可以猜也可以查文档和源码。

愿不愿意主动寻找依据会影响后续策略：但查到资料后仍可能理解错误，结果还需要通过观察检验。信息获取和正确执行之间依然存在一段路：不能把浏览成功当成问题已经解决。

Claude团队的一次防空失利更能体现系统性问题：他们后来发现一批炮塔补给了不合适的材料。下一局调整补给、加强防空，抵挡住同类攻击却仍然没有赢下整场比赛：这个过程同时包含学习和不足。

说明改对一个局部缺陷是真进展，但整个胜负还受生产、进攻和时间安排影响。具体来说：报告记录了74座相关防空炮塔中55座装了铜却需要石墨。下一局Claude布置了207座使用石墨补给的炮塔，挡住了此前那种由24架Zenith组成的进攻。

这些数字让错误变得可定位：问题出在配置和供应如何配合？若只总结成“某模型不会防守”，就会漏掉他已经找到并修正的那一部分。密集协作也可能带来指挥冲突：多个成员同时管理同一支部队，动作未必能够兼容；一个成员发布的旧信息也可能在传播途中失效。

报告中的GPT同样出现过需要纠正的战术说法：所以分散主动权的收益，需要与冲突处理能力一起看。不能简单理解成“没有领导一定更有效”或“有表决就一定低效”。

GPT也会判断错：报告里有成员在对方核心被摧毁的瞬间，以为己方已经输了，之后才被队友纠正。胜方出现这种错误很重要：他提醒观众，最终赢得比赛并不代表每个成员都能准确理解所有状态。

可靠的团队需要有人纠错：还需要让纠错进入共同判断，不能把胜利等同于全程正确。如果故事到这里结束，容易留下GPT天生激进且高效的印象。接下来的CIV50实验恰好打破这种简单画像：研究者让50个GPT代理在《我的世界》生存世界里合作3小时，目标是建设繁荣文明。

没有另一支Claude的军队来争夺胜负：困难变成获取食物、应对环境，以及决定大家应该先做什么。起初他们行动很快，附近树木很快被采集；但夜晚带来大量死亡以后，集体行为开始转向避险。

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。不足以证明它们具有人的恐惧体验，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。

这次运行共有34次死亡，其中22次集中在第一页（早期）。环境的早期反馈随后被带进任务安排：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；建设繁荣文明则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又因为排在目录前面成为中心，其他成员请求安排：他给出计划、接收大量私信。协调中心让任务更容易找到负责人，也会造成信息集中：一个成员如果承受过多请求，整个团队的行动速度可能依赖他的处理能力。

代理数量增长以后，组织上的瓶颈不会自然消失反而可能更明显：原始记录里另外49个成员中有46个把第一条消息发给了Ada，她最终收到616条私信。这这些并不是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、有人烹饪、有人登记还有人运送。这样的分工并非毫无意义：资源确实有限，重复领取也会造成问题。

值得追问的是：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，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到后面。

一只手机（注：此处疑为语音识别错误，结合语境可能指“一个事件”或特定物品）把这场实验推向了最有趣的时刻：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。工具反馈与实际库存不一致：团队于是制定新交付规则，把食物放进指定箱子再由接收者确认吃下最后才登记完成。

流程是在纠正真实错误：不能仅因它像办手续就一概嘲笑这条规则其实抓住了交付中的一个关键点——发送成功和对方收到还不等于对方实际使用。这些状态要分开：团队此前依赖的反馈不够准确就需要增加确认，但每增加一道确认也会增加沟通和等待。

所以合理的问题应当是：确认成本是否值得？能否通过更好的工具减少负担？而不是简单判断有流程就先进或落后。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：这里就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：结果却可能让行动本身变慢。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：消息数量说明协调活动很密，却不能独自证明建造效率。更好的评估应同时看实物是否充足、探索是否推进以及系统能否让成员持续完成有用工作。否则代理可能不断向彼此证明自己很忙，却没有让目标前进：活动量和任务价值需要分别计算。

钓鱼形成了相对低风险的实物来源，也让分工有了实际依托：不过生产者把鱼交出去以后，分配和运输仍需要完成。某个环节缺少确认，账本就可能和真实库存不同：这个问题与前面的错误补给彼此呼应。

成员都在做事不代表端到端交付已经完成，团队还得检查中间结果怎样接到最终用途：评价这些流程还可以问一个反事实问题——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；若没有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。

这是一种分析方法：实验尚未系统完成所有对照，它帮助区分必要控制和流程惯性，避免把所有手续一起保留或一起删除。这些实验对企业部署也有启发：但需要谨慎外推，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：研究者已经公开游戏框架和环境允许进一步改变团队组合。

接下来可以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，也可以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，复现实验还需要模型调用与计算资源：公开代码不等于运行没有成本。

报告页面还提到新的25代理实验，但不能把新运行的存在当成已有成果的保证：不同模型、不同规模和不同初始条件都可能改变行为。若希望判断哪种组织有效，需要保留可比较条件、记录失败并让观察指标与任务目标对应。

只挑一个戏剧化片段会错过真正影响表现的变量：Gemini的《我的世界》通关研究提供了另一种长期任务视角。论文报告四个代理在随机世界Easy难度下用27小时14分钟完成目标，死亡605次编写2,783个程序。

这是一次完整运行的记录，展示了持续规划与失败恢复：但他没有给出多次成功率，不能据此宣布同样设置每次都能通关。这些代理通过Mindflayer取得状态并编写程序，不是盯着屏幕模拟人的键鼠操作。

接口提供了人类玩家未必直接看到的信息也包含路径规划能力：知道这些条件不会抹掉长时间协作的成果，却会改变比较方式。任务难点更多落在把知识变成程序以及长期保持计划：而不能称为从零学会陌生游戏。

不同项目的通关耗时也不应直接排榜：有的准备了高层工具，有的使用固定地图，有的从随机世界开始。难度也可能不同：8分钟和27小时看起来差距巨大，如果执行条件不同就无法把全部差距归给模型。

严谨比较需要先对齐环境再讨论速度和成本：否则只是把不同比赛的计时器摆到一起。《我的世界》长期被用于研究开放任务，但挖到钻石制成工具和击败末影龙也不是同一目标：不同阶段的研究可以说明技术路线变化，不能把任务不同带来的结果差异全部包装成智能跃迁。

对本期更重要的是代理能否在长任务中持续使用证据、恢复失败并让团队的信息与世界状态保持一致：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。

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：谁更像统帅可以放在其次。GPT赢下这组对战也在合作实验里产生繁琐流程；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，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。