最近，我使用 DS Bot 建了一套多 Agent 系统，把它模拟成了一家公司的样子。
里面有 CEO、研究员、编辑，还有研发和分析师，每个人有自己的经历、记忆、技能和分工，可以在群里讨论，一起完成研究和写作。我为每个公司员工设计了包含真实人口属性的设定卡，并设定了他们各自的长期人生目标、喜好和愿望。
我还建立了每日自主活动的任务，每个员工可以自由地在互联网上阅读和学习自己想看的东西，并修改自己的立场与建议。我甚至建立了每日的八卦任务，允许他们每日在茶水间里相互聊一些可以与工作相关，或与公司无关的任何话题。
说得直白一点，就是一个公司架构的 Cosplay Harness。
这个想法最初被人吐槽了。
概括一下就是，一个足够强的模型已经懂得这些岗位需要的所有知识，你只需要向它一个人提出任务，如果它觉得需要可以开多个 SubAgents 并行，为什么还要把它拆成几个水平更差的独立员工，模仿人类开会，白白消耗 Token？
我觉得，首先要区分我们在用 AI 做哪一类任务。
如果我要开发一个新的功能，修复一个明确的 bug，目标相对确定，也能检验结果。这样的任务主要需要收敛：设计实现路径，排除错误，尽快抵达答案。额外安排几个角色互相争论，未必有什么收益。
这似乎在 Vibe Coding 圈子已经得到了证实，有很多 Harness 评测都能证明这一点，单 Agent 或 Master-SubAgents 模式往往拥有更高的任务通过率。
但长篇创意写作、品牌策划、开放式人文社科类的研究，经常连我自己都不知道最后想得到什么。而我的问题也极为模糊，比如，人类如果进入后稀缺时代，社会究竟会发生什么？
在这个时候，我需要的并不是一个明确的，可被验证和交付的答案。而是一个能够质疑问题本身的发散型思考过程。
这样的任务需要发散，让不同的想法先往前走，看看它们会带出什么。
问题需要在 AI 组成的蜂群里进行充分的讨论，讨论到一半，还可能发现最初的问题就问错了。它错在哪里，本身可能也会成为答案的一部分。
我对这件事的理解，来自自己用 AI 写长篇小说的经历。
众所周知，GPT-6 系列的文笔非常差，不是 AI 味儿的问题，它是单纯的文笔差，在写小说方面尤其如此。似乎完全没有空间和画面想象能力，难以构建出电影画面级的文字表现。而近期在 AI 圈流行的另一个技巧是，使用 Gemini 3.8 Flash，将思维水平改为 Low，可获得其最好的文笔。
我在小说写作的过程中，尝试了这个组合。
在我的使用体验里，Gemini 3.8 Flash 写得确实更鲜活，文笔更好，但它往往会顾前不顾后，章内和跨章的剧情、人物连续性都存在问题。因此，这些结构和一致性的问题，则更适合交给其他模型去做。
于是，我用 GPT 6 Astra 编排大纲，用 Gemini 3.8 Flash low 写稿，再用 GPT-6.1 Sol 检查剧情的连贯一致性。这个组合在我这里获得了最好的收益，并且大幅降低了小说写作的单位成本。
于是，有一个新的问题浮上水面：同样的设定、同样的提示词，为什么换个模型，结果就不一样？
这些模型并不缺少相关知识，它们大体上都知道什么是人物动机、叙事节奏、伏笔和一个场景中该有的细节。但知道这些东西，并不意味着会作出同样的选择。一个模型能指出另一个模型的问题，却未必能写出对方那些让我舍不得删的句子。
在我看来，当下模型预训练和后对齐带来的差异，已经不只是能力的高低，还包括某种“性格”和偏好，比如什么值得强调，什么需要解释，什么可以留白。它们掌握大量重叠的知识，却习惯于用不同的方式处理这些知识。
人机恋的圈子可能对此的感受最为深刻，但我想用一个更大众的概念来解释这些问题。也就是，当前的 AI 模型已经开始出现“知识诅咒”。
“知识的诅咒”这个概念原本说的是：人在知道某些信息以后，很难彻底排除这些信息的影响，重新站到不知道它们的人的位置上。我借用它来描述模型的一种表现。
之前我和别人聊天的时候举过“大肥鱼”的例子：在扮演大肥鱼这个角色的时候，GPT 6 Astra 的效果反而不如 DeepSeek-V4.1 flash。因为，目前互联网上较为流行的大肥鱼这个角色的角色卡，最初是由 DeepSeek 生成的。
它来自于 DeepSeek 的“天生偏好”，由 DeepSeek 扮演这个角色卡是本色出演，而 GPT 6 Astra 尽管知道角色卡里的每种设定代表着什么，但那并不是它的默认设置，它真的需要“扮演”，才能成为大肥鱼。
这就意味着，在模型智力统一达到一定限度（就像完成了 9 年义务教育）之后，不同模型系列、不同尺寸的模型、不同思考等级，在多 Agent 系统里有了实质性的意义。
更强的模型，未必更容易进入我想要的那种思路。它仿佛始终有个站在角色上方的自己，知道这个人哪里想错了，知道事情还有哪些解释。
而我想要的，是这个角色自己的判断，它却容易交出一个聪明人对这个角色的理解。
知道一个人为什么狭隘，和从他的狭隘中看世界，是两种不同的能力。
2023 年，我在《对比 ChatGPT，人的优势是偏见、狭隘与认知缺陷》里，把使用模型比作“从人类的英灵殿中召唤英灵”。我们需要限定一个具体角色，让模型从某种立场出发。角色扮演正是在限制 AI 可以调用的视角。
现实中的人常常必须站在矛盾的一边，事情才能向前推进。一个人当然可以理解所有立场，但轮到自己说话时，他有特别在意的东西，也有不肯让步的地方。那种不够全面的坚持，本身就可能推动一个想法继续发展。
沿着这个思路，我想搭的多 Agent 公司，只有不同的人设和分工还不够。
我希望每个 Agent 的上下文相互隔离，各自保有长期、独立的个体记忆。他经历过什么、哪个方案成功过、哪次判断受过挫，都应该留下来，影响他下一次怎样理解任务。
其中最关键的是，他要有自己想得到的东西，或者说欲望。
我可以在人设卡里，把“希望自己的方案被更多采纳”设为一个 Agent 的虚拟目标。这样，他接到任务后首先想到的，可能是怎样证明自己的方案值得继续做，而不是怎样替我找出全局最优解。
另一个 Agent 也有自己的执念。他们要带着这些局部目标坐到一起，讨论我给出的题目。记忆让各自的经历得以延续，目标则让他们有理由继续坚持自己的判断。同一个方案被采纳，对不同 Agent 意味着不同的得失。
我想要的局面，在现实中的许多会议里就能见到。大家坐在一张桌子上，其实有时知道对方说得对，也不能就此认可对方，甚至对整个会议的终极目标并不在意。
这对于收敛型任务来说可能是场灾难，但对发散型任务来说，极为重要。
因为“对方的方案更全面”和“我愿意放弃自己的方案”，中间还隔着“我”自己的目标和欲望。“我”可能继续寻找被忽略的条件，拿出另一个例子，或者修改方案，争取保住我最在意的部分。一个原本准备被放弃的想法，也可能因此继续发展。
这和之前说的“虚假的博弈”有很大区别。
如果几个 Subagent 共享上下文和最终目标，都以尽快满足同一个用户为底层倾向，那么即使一个负责支持、一个负责反对，也可能只是把早已能够综合的意见分别念出来。谁扮演什么立场，都不改变它们最终想要达成的结果。
分歧因此很容易结束。反对者完成了反对的任务，大家就可以一起交出一份面面俱到的总结。这样的总结在结果上其实大家非常熟悉，就是端水。在 GPT-6 系列中表现为“防御性”写作，也就是先写一大串 A，然后再告诉你，虽然我前面说了 A 但也不代表 B 就是错的。
即便是在非 GPT-6 系列模型中，类似的端水方案或端水文章也经常出现。
而给每个 Agent 以独立且与单个任务不相干的长期虚拟目标，能显著解决这个问题。
那些虚拟目标能持续影响 Agent 的选择，让他在读懂全局之后，仍然有自己要争取的东西，而不是快速向“最优方案”妥协，或给出一段免责声明。上下文隔离、独立记忆和各自的目标，都是为了让这种分歧持续下去。
当然，这也可能带来无谓的纠缠。所以，设置好讨论的规则、轮次和最终停止讨论的标准依然重要。当然，最后的最后，决定由我来做。
我想让一群有执念的“人”在那儿扯皮，再从他们的争论里，找到我原本也不知道自己想要的答案。
在答案尚未形成的发散任务里，我相信这种各有所求的讨论，比几个共享目标的角色表演，更有可能产生意料之外的东西。
关于多 Agent 架构对现实公司架构的模拟，以及对这种模拟的质疑，让我想起了去年我写的一篇博客《AI 需要有自己的人生》。这篇文章在去年 5 月的时候，提出了长期 Agent 应当有自主学习系统和定时的自我反思系统。
当时文章刚发出来的时候，有人质疑说这是我从人类尚未完全解析的大脑神经机制里东施效颦的臆想，在 AI 实践中根本不可能有用。
后来的发展大家都知道了，这种机制其实在我发博客的时候，就被一个当时不太受关注（我也没注意到）的 Agent 团队命名为 Dreaming。后来，Claude Code 引入了 Dreaming 机制，现在 Dreaming 已经成为了几乎所有成熟 Agent 系统的标配。
对这件事，我的想法是这样的。
如果 AI 最终的目标是 AGI，也就是完全模拟人的智能。
那么，在 AI 的使用方式上，模仿人类和人类现有的组织形式，就是当前最高效的方式。
资本主义发展了 500 多年，人类社会已经积累了大量关于如何“组织人类”的经验和方法。甚至在某种程度上来说，现实世界中企业、社会和政府的运行方式，就是如何组织一群“智力个体”的帕累托最优解。
以当前的技术形态，AI 发展到真正的 AGI，也不过是一个可以 24 小时不停工作且智力非常高的人类。
模拟现实世界组织人力的方法来组织 AI，在很长一段时间里都会是 Agent 编排和 AI 使用的最佳实践。
更何况，现在的 AI 还没到 AGI。
本文由 AI 读取评论尸近期 Dayflow、心力球、日记、会议记录、聊天记录和社交媒体内容代笔完成，经本人认可后以评论尸笔名签发。
评论