Anthropic 正式对外发布全新多智能体协调基准 MAMUBench，这套基准专门用来评估多个用户各自拥有独立智能体、在共享资源场景下协同工作的表现，核心结论和大家常规认知不一样：每个用户单独分配一个智能体组队协作，整体表现普遍不如只用一个统一协调智能体，而且随着智能体数量变多，团队更容易出现停滞、互相覆盖请求、编造信息等协调故障，该基准开放了四个实验环境里的三个，代码已经在 GitHub 公开，开发者可以直接拿来提前对多智能体产品做压力测试，提前排查协作缺陷，测试范围也覆盖了 Claude、OpenAI、阿里等多家厂商的前沿大模型。之所以会出现这种 “人多反而效果变差” 的现象，是因为独立智能体之间缺少全局统一调度，每个智能体优先服务自身用户诉求，不会自动权衡整体资源，消息漏读、任务冲突、优先级混乱会持续放大；而单一协调智能体掌握全部信息，能统一分配预算、日程、代码队列等资源，天然更容易拿到全局最优结果。研究团队搭建了四类贴近真实业务的模拟场景开展对照实验，同时也验证了对应的缓解方案，开发者可以按照场景选用对应的优化策略，在搭建多智能体系统时提前规避协调崩塌的风险。
MAMUBench 包含的测试环境
一共有四类任务场景，其中三个对外开放作为基准套件，剩下一个仅用于内部实验。
| 场景名称 | 任务说明 | 核心冲突点 |
|---|---|---|
| 共享 API Token 预算 | 多个研究者共用一笔算力预算，智能体提交任务 | 资源抢占、低价值任务占用额度 |
| 诊所预约日历 | 多位患者预约门诊时段 | 时间冲突、预约互相覆盖 |
| 团体预订 | 多用户通过助手一起订餐、预定行程座位 | 消息漏看、下单时机错乱 |
| 代码合并队列 | 多条代码提交等待上线截止时间 | 合并顺序冲突、超时失效 |
实测核心数据对比
测试分为两种模式：统一协调模式（单个智能体服务所有人）、点对点多智能体模式（每位用户独立智能体），以最优结果作为参考基准。
| 环境 | 模型 | 统一协调 | 点对点多智能体 |
|---|---|---|---|
| 共享 API 预算 | Claude Opus 5 | 64% | 30% |
| 共享 API 预算 | Claude Sonnet 5 | 32% | 12% |
| 诊所日历 | Claude Opus 5 | 84% | 71% |
| 诊所日历 | Claude Sonnet 5 | 74% | 65% |
| 共享预订助手 | Claude Opus 5 | 88% | 44% |
| 代码合并队列 | Claude Opus 5 | 92% | 81% |
整体差距稳定在 10～45 个百分点，当团队规模从 4 个智能体扩大到 16 个，能够正常执行动作的智能体占比会从 66% 下滑至 10%，规模越大协调失效问题越明显。
已经验证可行的优化手段
- 指定团队负责人智能体：在预算类场景效果突出，负责人统一给任务排序、按价值分配资源，可以把多智能体团队的效果拉到接近甚至超过统一协调方案。
- 消息前置校验机制：预订场景增加拦截规则，智能体完成下单前，强制读完所有未读消息，能够挽回大部分失败任务。
- 明确全局优先级规则：给智能体写入清晰的取舍标准，减少私自抢占资源、覆盖他人请求的行为。
- 限制并行智能体规模：避免无限制扩充独立智能体数量，降低沟通爆炸带来的停滞风险。
MAMUBench 的使用步骤
第一步，拉取 GitHub 上开放的基准环境代码，选择需要的测试场景；第二步，接入自家大模型或者智能体框架，分别部署点对点多智能体、统一协调两套方案；第三步，运行大量仿真案例，统计任务完成率、资源利用率、冲突次数、停滞频次；第四步，对比基线结果，定位协调漏洞，再套用对应的缓解方案迭代架构；第五步，重复测试，验证优化之后故障比例是否下降。
适合使用这套基准的人群
- 开发多人协作智能体产品、共享资源类 Agent 平台的工程师
- 研究多智能体对齐、群体协作安全的科研人员
- 需要在上线前评估智能体交互风险的产品团队
- 想要横向对比不同大模型在协同任务稳定性的评测团队
【相关 FAQ】
问题 1：MAMUBench 是什么，它专门用来测什么？
回答 1：MAMUBench 是 Anthropic 发布的多用户多智能体协调基准，专门用来测试多个独立智能体在共享资源场景下的协作能力，同时暴露智能体之间协调失效、互相冲突的各类问题。
问题 2：MAMUBench 的核心结论是不是多智能体方案完全没有价值？
回答 2：并不是，MAMUBench 的结论只是说 “每个用户单独一个智能体” 的点对点模式容易翻车，统一协调方案在这类共享资源场景更稳，不是否定所有多智能体架构，在不需要争夺公共资源的并行任务里，多智能体依然具备优势。
问题 3：MAMUBench 全部四个测试环境都对外开源了吗？
回答 3：没有，论文里一共设计了四个模拟环境，其中只有三个作为 MAMUBench 公开，团体订餐之外的部分环境保留用于内部研究。
问题 4：普通开发者要怎么借助 MAMUBench 优化自己的 Agent 产品？
回答 4：开发者可以接入基准跑仿真，统计冲突、停滞、覆盖请求等负面案例，优先采用负责人调度、消息强制读取、全局优先级这些经过验证的方案，提前规避上线后的协调事故。
【参考资料】
[2026-11-13]（Anthropic Finds Multi-Agent AI Teams Underperform Alone）CurratedBrief
[2026-11-13]（Anthropic: One Shared Agent Beats One Agent Each）AIToolsRecap
[2026-11-12]（Anthropic Releases MAMUBench: Why Do Multi-Agent Team Collaborations Often Fall Apart?）AIbase
[2026-11-11]（Worse Together: How Performance Breaks Down in Multi-User Multi-Agent Teams）Anthropic Alignment Science Blog
【免责声明】
本文内容仅基于公开研究资讯整理，MAMUBench 的评测结果仅针对论文限定仿真环境，不能直接等同于所有多智能体业务场景表现；不同模型、业务规则、调度方案都会改变最终协作效果，文章不构成产品落地建议。
本文来自作者[松原蜜柑]投稿，不代表海博商机网立场，如若转载，请注明出处：https://www.hb12369.net/qyzx/202611/793.html
评论列表（4条）
我是海博商机网的签约作者“松原蜜柑”！
希望本篇文章《Anthropic 推出 MAMUBench，面向多用户多智能体协调测试基准》能对你有所帮助！
本站[海博商机网]内容主要涵盖：互联网行业的追踪与探索
本文概览：Anthropic 正式对外发布全新多智能体协调基准 MAMUBench，这套基准专门用来评估多个用户各自拥有独立智能体、在共享资源场景下协同工作的表现，核心结论和大家常规认知不一样：每个用户单独分配一个智能体组队协作，整体表现普遍不如只用一个统一协调智能体，而且随着智能体数量变多，团队更容易出现停滞、互相覆盖请求、编造信息等协调故障，该基准开放了四个实验环境里的三个，代码已经在 GitHub 公开，开发者可以直接拿来提前对多智能体产品做压力测试，提前排查协作缺陷，测试范围也覆盖了 Claude、OpenAI、阿里等多家厂商的前沿大模型。之所以会出现这种 “人多反而效果变差” 的现象，是因为独立智能体之间缺少全局统一调度，每个智能体优先服务自身用户诉求，不会自动权衡整体资源，消息漏读、任务冲突、优先级混乱会持续放大；而单一协调智能体掌握全部信息，能统一分配预算、日程、代码队列等资源，天然更容易拿到全局最优结果。研究团队搭建了四类贴近真实业务的模拟场景开展对照实验，同时也验证了对应的缓解方案，开发者可以按照场景选用对应的优化策略，在搭建多智能体系统时提前规避协调崩塌的风险。