先把结论放最前面：同时开三个 AI 写同一件事，结果更乱，不是你运气差，是你把「并行」当成了「协作」。论文给的答案很干脆——同样的算力，分成多个共享笔记的小组，比堆成一个大组更管用。
再收紧一点：多智能体的胜负手是结构，不是数量。下面把这个结论拆成三个能单独检验的变量，再给一份能直接照做的分工清单。
我上周碰到的那件怪事
上周要写一份产品说明的开头，我图省事，同一个提示词同时丢给三个 AI，让它们各写一版，我再挑最好的一版。听起来是标准的「三个臭皮匠」。
结果是三版风格互不相容，术语各叫各的，我挑完还得手动统一口径。花了三倍时间，得到零点八份稿子。更乱的不是文字，是我自己——我得同时记住三套逻辑。
我起初以为是模型不行。后来发现不是：三个 AI 各自都写得不错，它们乱在我这个「人肉总线」上——所有信息都要从我脑子里过一遍，而我带宽有限。
把「更乱」拆成三个能验证的假设
与其抱怨，不如把它当成可测的事。我拆出三个假设：一，如果三个 AI 拿到同样的信息预算，乱是因为它们没共享；二，如果它们能往同一份笔记里写字，重复劳动会减少；三，如果有台机器能给每版稿子打分，我就不必亲眼看三遍。
这三个假设对应三个变量：等算力预算、共享论坛、验证器。巧的是，Duke 和 Princeton 的那篇论文把这三个变量都动过一遍。
论文的设局方式：先让算力一样
这类比较最容易作弊的地方是算力。三个 AI 对三个 AI，谁多跑几轮谁就赢，那就测不出结构的作用。论文的第一步是把预算钉死。
总预算给到 100 个智能体，然后切成不同形状。一种是 100 个单干的智能体，各自独立做完，最后取最好的一个（best-of-N）；另一种是一个 100 人的大团队，全部塞进同一个协作池。
第三种才是重点：把 100 个拆成 10 个小组、每组 10 个，各组内部有共享论坛，组与组之间并行、互不打扰，最后保留最好的那一组结果。
结果：十个小组赢了两头
结果和直觉不太一样。10 个 10 人小组，每组带共享论坛、最后取最佳，同时赢了 solo 的 best-of-N，也赢了那个 100 人的大团队。
拆开看并不玄。100 个单干的智能体，探索广度拉满了，但每个都在重复踩同一个坑，产出 100 份互不相干的答案，你得花力气去捞。
100 人的大团队则相反：信息共享得最彻底，可每次发言都要被所有人消化，讨论成本随人数飞快上涨，最后大家挤在同一个思路上互相确认。
10 人小组是中间态：组内共享，把重复踩坑的损耗压下去；组间隔离，让十种不同思路同时活着。这是我的第一个判断——分工的本质不是人多，是给不同的假设留出互不干扰的跑道。
共享笔记为什么能省钱
共享论坛（说白了就是一份大家都能读写的笔记）在这个实验里不是便利贴，它是省钱的装置。
没有它，十个智能体各自重新发现同一件事：同一个接口的返回格式、同一个已被排除的方案、同一句已被否掉的措辞。这些重复劳动不会报错，只会悄悄吃掉预算。
有了它，第一个踩坑的人把结论写下来，后面的人直接跳过。代价是每次读写都要一点开销，所以论坛不能无限大——这正是为什么 10 人组的论坛有效，100 人组的论坛会堵。
通信成本与探索广度在抢同一笔钱
三个变量最后其实在争同一件东西：预算怎么分。给通信多一点，大家口径一致、重复劳动少；给探索多一点，思路更多、更容易撞上对的答案。
团队规模就是那根滑杆。人越多，通信成本涨得越快，因为对齐几乎是两两之间的；而探索广度的边际收益越来越低。
论文给出的答案不是「越小越好」，而是「小到共享还便宜，多到思路还不重样」。10 这个数字别当咒语，它更像是那个实验里刚好落在甜点区的取值。
验证器是这套结构的前提
作者还有一句容易被忽略的建议：当验证器能给智能体的工作打分时，才把预算拆成多个共享笔记的小团队，并保留最佳答案。
这个前置条件很要命。多个小组并行的前提，是你能判断哪一组更好；如果验收全靠感觉，十个组只会给你十份都舍不得扔的稿子。
所以验证器不是加分项，是入场券。能自动打分的活（跑测试、过格式校验、算指标）最适合这套打法；只能靠人拍板的活，先把验收标准写出来再谈并行。
如果要验证，我会这么设
我没有跑过这套实验，所以下面只是设计，不是结果。要在我自己的写作流程里验一次，我会这么设。
变量一，预算：固定总调用次数（比如说 30 次），三种形状各跑一遍——30 个单干、1 个 30 人大组、5 个 6 人小组。除了形状，别的一律不动，否则测的还是模型。
变量二，共享：小组之间开一份共享笔记，只允许写「已排除的方案」和「已确认的事实」两类，避免笔记变成长篇讨论，字数上限也钉死，逼着大家写结论。
变量三，验收：开工前写死三条评分标准（事实有没有出处、结构是否完整、有没有废话），每版按三条各打 1 到 5 分，总分最高者胜。跑五轮取平均，别拿一轮定胜负。
还要记一项成本：不是 token 数，是我本人花的时间。三种形状各记一次，那张表通常比分数更说明问题。
怎么用：拆组、共享、验收
任务怎么拆：按「可独立验收的单元」切，不要按字数切。一份稿子的开头、中段论证、配图说明可以拆，因为它们各自能被单独判好坏；而一个论证的两半拆开就散了。
拆完给每组一个明确产出物和一句边界：写什么、不写什么、跟谁不重叠。组与组之间不共享中间稿，只共享结论，否则等于把大团队搬回来了。
笔记怎么共享：只写两类内容——已验证的事实（带出处）、已排除的方向（带一句为什么）。禁止在笔记里讨论，讨论留在组内。
怎么定验收标准：三项以内，每项可判真假，开工前写死。先按硬指标筛掉不合格的，再在剩下的里面挑，别一上来就凭喜好选。
工具侧也在往这个方向挪
一句话的参照：Anthropic 的 Claude 在发布当天就把办公套件（Sheets、Whiteboards、Data）推向团队协作场景。工具在往「多人加多智能体一起干」靠，结构问题会越来越常见。
也意味着以后判断一套 AI 工作流好不好，不能只看它调了多少个模型，得看它怎么分组、怎么记笔记、怎么验收。调用数是宣传页上的数字，后三样才是你每天要面对的东西。
我的判断
第二个判断：多智能体的瓶颈通常不在模型，在协调。模型能力是买来的，协调结构是设计出来的；前者加钱就有，后者加钱只会更乱。
第三个判断：能自动验收的任务会被拆得越来越碎，只能靠人拍板的任务会继续留在一个模型手里。因为并行的收益，全靠「能判断哪个更好」这一件事来兑现。
回到开头那三个 AI。它们不是不该并行，是我少做了三件事：没给共享的笔记，没写死验收标准，也没让它们彼此不重叠。数量我加对了，结构全错。
所以下次再想「多开几个 AI 会不会更快」，先问一句：它们的笔记在哪，谁来打分。这两问答不上来，开三个和开一个的区别，只是你更累。
