把多个 AI 智能体放在一起协同工作，和让它们各自为战再投票，谁更靠谱？一位开发者最近用 Gemini 3.5 Flash 和 Antigravity 平台跑了一组对比实验，结果让“群体智慧”的拥趸可能有点尴尬——让智能体实时交流、共享解题进展，效果比事后搞多数投票好得多，个体准确率直接从 72% 冲到了 87%。

实验设计很直接，却正好戳中当下 AI 工程化的痛点：给 30 道来自 Project Euler 的数学编程题，每道题分配 5 个编码智能体，每个智能体都泡在独立容器里，预算时长 30 分钟，外加最多 10 分钟的收尾提交时间。这些智能体被切分成两大组运行：一组“各自为政”，五个智能体闷头干，跑完后汇总答案看多数票；另一组“实时协作”，允许智能体随时沟通进展、共享思路。最后凑出四组可比较的数字——单独个体准确率、单独个体多数投票、协作个体准确率、协作个体多数投票。

打开网易新闻 查看精彩图片

赤裸裸的百分比就摆在那里。单兵作战下，5 个智能体独立运行 150 次，答案正确的只有 108 次，准确率 72%；一打开实时协作，同样的配置，正确的次数跃升到 130 次，准确率 87%。再看多数投票，未协作时 30 题靠投票压对 24 题（80%），协作后压对 27 题（90%）。通俗点说就是：临时抱佛脚的“众智”投票，远不如让智能体从一开始就互相通气来得实在。

而且协作带来的好处远不止一个百分比点。从解题耗时的分布就能看出实质优势——协作模式下，有 97 次运行在 5 分钟内就结束了，独立模式只有 77 次；独立模式下超过 30 分钟还没跑完的情况多达 38 次，协作模式降到了 23 次。这意味着，只要有一个智能体率先摸到门道，其他智能体能快速跟上，省去大量重复“撞墙”的时间。最慢完成时间（worst-of-5 time）的分布更直白：独立组里因为总有那么一两个智能体死磕到时间上限，最慢完成时间扎堆在 30‑40 分钟区间；协作组里一旦有解答被共享，整个组的收尾速度都明显加快，大部分问题在第一个解答出现后几分钟内就全组收工。

这也顺便揭开了“多数投票”的底层局限。当你把五个各自为战的答案拿来数票，等来的其实是最后一个、最慢的那个智能体交卷；协作则在解题过程中就把错误路径掐掉了。若用平均解题时间来间接衡量算力和 token 消耗（因为 Antigravity 居然不给精确的 token 计数——后面会吐槽），协作模式的平均耗时也明显更短，等于用更少的计算量拿到更高的准确率，这笔账很清晰。

说到这里，不得不专门点一下 Antigravity。这项实验全程跑在它上面，但作为专门跑智能体的平台，它竟然不提供 token 消耗明细，开发者只能靠“解题时长”来估计成本，因为 token 和算力理论上跟时间成正比。一个号称面向 AI 智能体的基础设施，连基本的消耗详单都端不出来，让想认真算账的人沦落到对着计时器猜成本——如果工程化测试都需要靠秒表来估算计算开销，那所谓“智能体协作落地”恐怕还有一大把账单要补。

除了整体数据，作者还特意提到了几个个别问题（由于 Project Euler 规定不能公开答案，题目细节不便展开），大意是某些题在独立模式下，智能体们反复在同一道逻辑陷阱里打转；而开了协作，交流一圈就能集体绕过那个坑。这其实呼应了人类团队协作的朴素道理：一个人憋三天，有时不如三个人讨论一小时，硅基打工人看来也适用。

这里还必须加一句保真声明：这些智能体并非“可复现的精密仪器”。实验报告明确写了，所有运行都是非确定性的，你要是自己复现，数字可能会有点小浮动，但大趋势应当一致。所以别拿着某一轮实验的精确数值去死磕，看清方向才重要。

实验规模只有 5 个智能体，留下的问号自然比句号多：更多智能体会不会更好？协作遇到极度复杂的任务会不会出现“集体迷航”？沟通开销有没有拐点，再大就反噬效率？这些都还是空白。不过，这至少是一个像样的起点。与之对照，当前离生产环境最近的类似实践，比如 xAI 的 Grok 4 Heavy，据称已经在并行运行多个智能体并对比结果。如果未来工程化平台能把实时共享机制做得更彻底，可能比单纯堆智能体、事后数票更有搞头。

说到底，这件事讲的不是“智能体要不要合作”，而是“怎么合作更划算”。与其让一群 AI 各自埋头算到最后再来核对答案，不如让它们在解题中途就说上话。毕竟那个 72% 到 87% 的跃升已经很直白：在你还在等最慢的那张答卷时，会交流的那一队早就交完卷、占上更高的分了。