加多撸
念念象一下，你组建了一个团队：范例员、测试员、样式司理各司其职。成果委用的居品缝隙百出，团队成员相互甩锅淫色淫香，以致有东说念主私行改造需求——这不是职场剧，而是现时多智能体LLM系统的真确写真！
论文对ChatDev等5大主流框架的测试显现，最差情况下系统正确率仅25%，还不如单兵作战的AI（举例Best-of-N采样）。这就像一群高材生组队作念样式，收货反而比单独测验更差。
商议者分析了150多个任务对话纪录（总文本量超15万行），发现失败根源可归结为三大类：
米菲兔 丝袜①章程崩坏（SpecificationFailures）
②团队内讧（Inter-AgentMisalignment）
③验收摆烂（VerificationFailures）
论文袒露了一个经典翻车现场：用户条目建树撑抓外洋象棋范例记谱法（如Qd4）的游戏，成果Agent团队委用的版块只可用(x1,y1)坐标输入。
更离谱的是，测试状况只查验代码能否编译，皆备忽略章程考证。这就好比验收新址时，监理只数门窗数目，却岂论厕统统莫得下水说念。
数据显现，47%的失败可追想至考证状况。但论文强调：“不周密怪质检员”。就像建筑垮塌不成只怪验收，钢筋偷工减料、图纸误差等前期问题才是根源。
商议者发现，即便给考证AI开外挂（用GPT-4o审核），仍有23%的失败无法幸免。这暴露多智能体系统的崩溃，时常是系统性筹备颓势的聚积爆发。
令东说念主惊骇的是，这些Agent团队的失败模式，竟与东说念主类组织的经典崩溃案例高度吻合：
论文建议可鉴戒核电站、航空经管等高可靠性组织（HRO）的教会，比如：
现时主流科罚决策就像“打补丁”：淫色淫香
