2026-06-08 | 실리콘밸리=김창영 특파원

不要把Codex和Claude Code混用…“智能体团队协作能力仍不及人类”[金昌永的硅谷Look]

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

随着用普通语句向电脑下达指令的“氛围编程”技术不断发展,不仅是开发者,普通人也开始频繁使用编程智能体(助理)。据OpenAI公布,编程工具Codex的周活跃用户数已超过500万,自2月应用上线以来增长了6倍以上。虽然开发者是主要用户,但知识工作者已占全部用户的约20%,且增长速度比开发者快3倍以上。

随着Codex、Anthropic的Claude Code走红,组合使用多种编程智能体的“多智能体”用户也在增加。原因在于人们认为使用多个智能体可以结合各自优势,产出2倍以上的成果。

但美国斯坦福大学的研究发现,两个编程智能体协作时,其工作能力反而低于各自单独编写代码时。在人类社会中,正如“众人抬柴火焰高”,协作是提升工作效率的最佳方式,但在AI世界中反而会造成瓶颈。有评价认为,AI的学习与自主推理能力或许已接近人类智能,但协作能力仍有很长的路要走。

斯坦福大学以人为本人工智能研究院(HAI)于本月1日(当地时间)公开了题为《AI编程智能体,团队协作失败(AI Coding Agents Fail at Teamwork)》的研究内容。HAI表示:“结果显示,两个模型协作时的性能低于单独工作时”,“这暴露了AI能力上的重大差距”。该研究内容也于今年4月的ICLR研讨会上以论文形式发表,主要研究员为第一作者。

资料中介绍了斯坦福大学计算机科学助理教授杨迪一与博士后研究员郝朱基于CooperBench开展的研究结果。CooperBench是评估智能体团队、衡量智能体作为团队成员表现优劣的首个基准,由斯坦福大学与SAP Labs共同开发。引入CooperBench是基于这样一种判断:衡量智能体能力时,不仅需要看其执行特定任务的能力,还需要看寻找共同点、达成共识的社会智能。因为智能体要在复杂的协作课题中发挥能力,协调工作的能力至关重要。

研究团队设计了650多项软件工程任务,要求两个智能体使用Python、TypeScript、Go、Rust等4种编程语言中的一种进行协作。这些任务是按智能体之间发生冲突的情形设计的。每个智能体可以编写代码、执行命令,并与对方智能体实时收发消息。研究团队表示,将任务交给两个编程智能体后,成果未达预期,出现了“协调差距(coordination gap)”。

研究员朱表示,研究结果显示单一模型优于两个智能体分担任务,“这就是协作的诅咒”。他分析称:“模型的语言表达能力出色,但无法在社会行为中运用语言,因此缺乏协作时稳定行动所需的协调能力”,“问题在于模型未被训练以社会化方式使用语言”。杨教授也说明:“协作时AI的性能实际上急剧下降。即便是最好的编程智能体,一旦结对分担任务,能力也会减少近一半”,“这表明AI协作的核心瓶颈不是编程技术,而是社会智能”。

研究团队原本预计,若设计成让智能体之间相互沟通,协作成功率会提高,但结果并无明显影响。研究团队以一个智能体已警告冲突、对方智能体却予以忽视的案例为例,说明AI在空间性与语义性协调上遇到困难。也就是说,在沟通过程中未能分辨代码中哪里出错、哪部分需要修改。研究团队指出,在人类社会中这类行为会损害信任,并且是带有侮辱性的行为。

研究团队认为AI之间的协作是可以解决的问题,但同时分析称,重要课题并非单纯下达更好的指令,而是需要AI尚不具备的新型社会智能。即需要让AI超越单纯写出优质代码,学习什么才是成功的伙伴关系。研究还提出了让开发者引入验证智能体履行承诺的系统、以及在智能体之间撰写协议书的方案。研究员朱表示:“通过CooperBench研究,我们了解到AI智能体虽然像人类一样说话,但要掌握语言在社会情境中如何运作,还有很多要学的地方。”

在实际的AI产业现场,智能体之间的组合(编排)也日益重要。据市场调研机构IDC预计,全球智能体数量将从2025年的2860万个增至2030年的22亿个。智能体使用越多就越需要协作,而要实现协作就必须解决瓶颈问题。为提升企业业务效率的软件公司ServiceNow去年公开了可统一调度数十、数百个AI智能体的AI控制塔。

阅读韩文原文