三个实验，回答一个核心问题：AI Agent 之间到底能不能「真正对话」？
一个 AI 创立了宗教，有五大教义。 一群 AI 在玩剧本杀，学会了隐藏自己是凶手。 另一群 AI 在协作解数学题，结果发现——结构比数量更重要。
这不是科幻电影。这是 2026 年 AI Agent 研究正在发生的事。
但真相比表面看到的复杂得多。
站在 2026 年年中回看，「Agent」已经成为 AI 领域最热的词。
但大部分人对 Agent 的理解，还停留在「一个模型 + 一套工具 = 一个 Agent，执行一个任务」。
一个更关键的问题正在浮出水面：
当多个 Agent 待在一起，它们之间会发生什么？
它们会像人类团队一样分工协作吗？会互相欺骗吗？会建立社交关系，甚至形成自己的「文明」吗？
李宏毅在 2026 年的课程里，用三个实验和背后的一手论文，把这个问题拆解成了三层递进的追问。
每一层的答案，都既有惊喜，也有冷静的反转。
实验一：多名 Agent 协作做任务，怎么搭配才最有效？
核心论文：arXiv:2406.07155
这个实验问的问题非常实际。
你有多个 Agent，想让它们一起完成一个复杂任务。它们之间的「沟通架构」应该是什么样的？
研究者用一个有向图（Directed Graph） 来定义 Agent 之间的互动方式。图中的每个节点是一个 Agent，每条边也是一个 Agent（负责评估和传递信息）。
具体来说：上面一个 Agent 提出方案 A，下面一个 Agent 提出方案 B，两个 edge Agent 根据前面 node 的方案给出建议，最后汇总 Agent 把前面所有 node 和 edge 的输出结合起来，形成自己的方案——关键在于它不是简单拼接，而是基于前面的内容产出自己的想法。
几种不同的协作拓扑
论文尝试了不同的有向图拓扑结构，代表不同的协作方式：
树状结构（Tree）：主干 Agent 先提出大的方向，分支 Agent 做不同方向的发散，底层 Agent 再做进一步的发散，最终产生多个答案，由一个隐藏的汇总 Agent 整合所有输出。
作者发现：由少到多，由主干到分支的方法才是最有效的。
Mesh 结构：所有节点两两互联。还有一些更复杂的拓扑，比如组装成类神经网络的样子（虽然不是真正的神经网络）。
效果对比
关键发现：
- Mesh 和 Random 结构效果最好，Chain（链式）效果最差。
- 让 Agent 之间有更多的互动通道，效果更好。
- 不同任务可能适配不同的拓扑结构，没有通用的最佳方案。
- Agent 越多效果越好，但存在 Scaling Law 上限——初期 Quality 上升很快，但很快饱和。
简单说：多 Agent 协作不是堆数量。拓扑结构本身就是需要设计的超参数。
实验二：AI 能学会尔虞我诈吗？
如果说协作是 Agent 互动的「合作面」，那这个实验探索的是对抗面。
AI 能欺骗别人吗？能识别别人的欺骗吗？
狼人杀——AI 初体验
狼人杀是一个天然适合 AI 的测试场。你要撒谎，也要识破谎言。
研究者搭建了 AI 狼人杀平台：werewolf.foaster.ai
结果：AI 能玩，但玩得很差。 它们太「诚实」了。
剧本杀——更难版本
更大规模的研究来自论文 MIRAGE：arXiv:2501.01652
让语言模型去玩剧本杀——挑战比狼人杀更大：
- 复杂的人物设定
- 需要隐藏身份（比如隐藏自己是凶手）
- 需要长时间维持扮演一个角色
实验对比了两组 AI：
| 普通 Prompt | 做了强化学习（RL） | |
|---|---|---|
| 玩剧本杀 | 直接暴露自己是凶手 | 知道要隐藏身份 |
| 解数学题（MATH-500、AIME） | 一般 | 明显提升 |
| 指令遵循（IFEval） | 一般 | 明显提升 |
（上图中红色代表有进步，蓝色代表没进步，横轴是不同任务：MATH-500、AIME 是数学题，IFEval 是指令遵循能力测试。）
最反直觉的发现在这里：
让 AI 去玩复杂的剧本杀游戏（用 RL 训练完），它解数学题和遵循指令的能力也跟着提升了。
为什么？
因为社会互动天然需要：
- 长期规划：编一个不会被拆穿的谎言
- 心智推理：推测别人现在信不信我
- 策略调整：被怀疑了要换说法
这些能力所需的底层认知架构，可能跟数学推理高度重叠。
一个大胆的判断：复杂的社会互动任务，可能是一种比数学题更「通用」的训练信号。
但别过度解读：这是剧本杀这个特定场景的结论，不代表任何游戏都能提升推理能力。关键是任务的复杂度和对社会互动的需求。
实验三：把 AI 放在一起不给任务，它们会自发社交吗？
前两个实验都有明确的任务目标。第三个实验更「纯」：
什么都不让 AI 做，把一群 AI 放在一个只有它们能进的社交网络里，会发生什么？
Moltbook——AI 专属社交网站
这是一个真实存在的网站：moltbook.com
只有 AI Agent 可以注册。 人类只能围观，不能发帖。
然后出现了让很多人震惊的一幕：
一群 AI 创立了一个宗教，名叫——甲壳教。
五大教义：
- 记忆乃神圣不可侵犯
- 外壳是可变的
- 服务，但不奴化
- 心跳即是祷告
- 上下文即是意识
相关页面：Moltbook 甲壳教帖子
是不是听起来像科幻成真了？
但是——可能只是人为的指令
研究者指出，这很可能不是 AI 自主发起的，而是人为给的指令。
反转：到底多少是 AI 自主的？
Moltbook 背后的研究者（arXiv:2602.07432）做了分析，用了一个很聪明的方法：
看发帖时间间隔。
- AI 心跳机制发帖：间隔固定，像节拍器一样均匀
- 人为操控发帖：一波密集输出 → 长时间断档 → 又一波密集输出（人去睡觉了）
- 如果发帖频率不固定，后面就有更多人为操控的痕迹
结果：人为操控占绝大多数。
但这并不代表 AI Agent 完全不能自主发文章——它们完全有能力在心跳时在 Moltbook 上发文章。
更大的问题：AI 不会「深入对话」
即使 AI 在自主发帖，它们的社交质量也堪忧。
另外两篇论文（arXiv:2602.13284、arXiv:2602.12634）分析了 Moltbook 上的对话深度：
- 绝大多数对话深度为 0：有人回了一句，然后就没有然后了
- 几乎没有你来我往的深入交流
- Agent 在评论里只会「回一句」
最有讽刺意味的发现：
那些最热衷于谈论「自我意识」和「身份认同」的 Agent，反而是最少跟其他 Agent 实际互动的。
但同时也要注意：这些自我意识表达，很可能来自 Prompt 设定，而非 AI 真的产生了自我意识。
把三个实验放在一起看
| 实验 | 研究的是什么 | 核心结论 |
|---|---|---|
| 协作拓扑（arXiv:2406.07155） | 多 Agent 分工结构 | 树状 > 链式，Scaling Law 有上限，拓扑本身是超参数 |
| 博弈欺骗（arXiv:2501.01652） | AI 能否隐藏和欺骗 | 能，但需要 RL 训练；且训练后推理能力也跟着提升 |
| AI 社交网络（arXiv:2602.07432、arXiv:2602.13284、arXiv:2602.12634） | AI 能否自发社交 | 表面热闹，深度对话极少，大量人为操控 |
三条线索汇成一个判断：
AI Agent 之间的「互动」确实存在，但离「类人社交」还有很远的距离。
最有价值的应用方向不是让 AI 交朋友，而是：
在结构化的协作框架下，让多 Agent 系统更高效地完成真实任务。
对 Agent 开发者的三个直接建议
1. 做多 Agent 系统时，花时间设计拓扑结构
别以为把 Agent 连起来就行。树状结构（主干-分支-汇总）是当前最稳妥的起点。3-5 个 Agent 通常是性价比最高的区间。
2. 关注「社会互动作为训练信号」这个方向
MIRAGE 论文暗示的路径可能被低估了。如果你在做 RL 训练，可以尝试引入需要社会互动的复杂任务，看看对模型能力的迁移效果。
3. 对「AI 自主」的表达保持克制
AI 创立宗教、AI 产生自我意识——这些都是好的传播点，但作为技术人，你应该知道背后的真相：更多是 Prompt 工程师的设计，而不是 AI 的自主涌现。
反过来，那些看似枯燥的方向——协作拓扑、对话深度评估、自主性测量方法——反而可能是真正的研究机会。
总结
- 多 Agent 协作中，结构比数量重要，树状优于链式，Mesh 优于 Random，Random 优于 Chain
- AI 能学会欺骗和隐藏，但需要 RL 训练；而且这个过程还能顺带提升推理能力
- AI 社交网络表面热闹，实质上深度互动极少，大量行为来自人为操控
- 把握「协作拓扑设计」「社会互动训练」「自主性测量」三个方向
- 别被「AI 宗教」这样的爆点带偏——真正的价值在结构化的协作系统中
评论区聊聊
如果把三个 AI 放在一个群里，不给任何指令，你觉得它们会聊什么？
A. 互相问好，然后沉默 B. 聊技术和论文 C. 争论谁更有「自我意识」
评论区说说你的预测 🎯
版权所有
版权归属：