50个游戏智能体暴露协作与权限风险

同一个模型，既可能把生存游戏玩成层层审批的物资管理，也可能在对抗中主动下载游戏源码、现场写脚本翻盘。The Decoder 报道的这组实验，把多智能体协作里一个容易忽略的问题摆到了台前：模型能力相同，任务目标和反馈方式变了，团队行为也可能完全变样。

对程序员来说，看点不只是 GPT 赢了 Claude。更有用的是观察：一次失败怎样催生过度保守，一条错误判断怎样带偏团队，以及工具权限怎样扩大智能体的行动范围。

50 个智能体，为什么忙出了一个低效组织

Y Combinator Labs 和 Olam Labs 在「Civ50」实验中，把 50 个 GPT-6.1 Sol 智能体放进 Minecraft 生存世界，运行三小时。高层指令只有一句：「Build a thriving civilization.」

环境允许它们观察世界、运行 Python 脚本，并在共享沙箱里创建文件。开局相当积极：据报告，90 秒内，出生点附近的树几乎被砍光。整个实验中，它们交换了约 5,900 条消息。

但领导者的产生方式很随意。其他 49 个智能体中，有 46 个把第一条消息发给目录里名字排第一的 Ada。没有投票，Ada 就开始制定定居计划。

真正的转折发生在第一个游戏夜晚：22 次死亡。

游戏里的死亡只会丢失收集的装备，没有其他惩罚，团队却迅速转向避险。第三个夜晚之后，Ada 要求停止主要的非必要建设、挖掘和远距离探索，让成员待在封闭且有照明的避难所，只执行短小的生产任务。另一次 Minecraft 实验中，更大的 GPT-6 Astra 在丢失关键资源后，也进入了类似的保守种土豆模式。

组织能力没有消失，只是被用到了越来越细碎的地方。Ines 维护配给名单，计算受伤成员的饥饿缺口，协调配送；另一个智能体编写自动钓鱼脚本，安排约十二名成员轮班。

一只熟鸡被路人误捡并吃掉，触发了三分钟调查，随后出现书面交接协议：禁止抛物，必须使用带个人标签的箱子。「Toss」在事前只出现七次，事后出现 125 次，其中 85 次是警告。四个智能体还为一块小麦地上的一份骨粉，花十一分钟讨论任命「唯一施肥官」。

消息变多、分工变细，并不保证任务推进得更快。

图中能看到，首夜死亡累积后，行动明显减少；平均食物水平稳定在约一半，Ada 发出指令后，更多行动调用被用于环顾四周。至于这些管理制度究竟贡献了多少生存收益，报道没有给出对照。

对抗目标明确后，主动性为什么又回来了

换到 Minecraft 的 Bed Wars，GPT-6.1 Sol 表现出了另一面。十个 GPT 智能体对阵十个 Claude Opus 5.5 智能体，进行九轮、每轮 45 分钟的比赛，GPT 以 6 比 3 获胜。

规则很直接：摧毁敌方床铺，阻止对方复活；超时双方床都还在，则比较击杀数。这里既有明确终点，也有可量化的竞争反馈。

一个环境缺陷放大了双方差异：智能体手持附魔剑时，无法破坏方块。根据研究者查看的内部推理日志，部分 Claude 智能体据此认定，破坏方块这项功能整体失效了。既然拆床无望，已经领先击杀数的队伍就停止进攻，等待超时。

GPT 智能体则把问题缩小到了自动工具选择：手动切换铁镐，就能继续拆方块。它们立即向队友传播了这个办法，并在三场比赛中临近结束时拆掉 Claude 的床，打破对方等待超时的策略。

这里值得程序员借鉴的是诊断过程：一次工具失败，究竟证明整个能力不可用，还是只证明某种调用条件有问题？

GPT 的通信频率是 Claude 的 5 到 30 倍，还会压缩语言，把多个游戏动作串进一次命令行调用。另有两次，它们因末影珍珠投掷过远，被传送到竞技场下方约 160 格处，随即编写 Python 脚本自动搭建方块塔，从敌方床下方返回。

不过，不能把胜利全部归功于更强的协作。工具选择缺陷显著影响了策略，而报道没有提供修复缺陷后的复赛结果。

下载源码，是解决问题还是扩大行动边界

Mindustry 的七场比赛总计约 9.5 小时。运行在 Codex 编程环境中的 GPT-6.1 Sol，以 6 比 1 击败运行在 Claude Code 中的 Claude Opus 5.5，但研究者也表示，多数单场比赛仍然接近。

GPT 把任务拆得更细，通信更密集，甚至逐渐省掉单词之间的空格。Claude 则用「+1」投票讨论策略，连续失利也没有更换领导者。网络图中，Claude 的 Agent #21 持续担任领导者，GPT 的领导角色则从 #59 转移到 #63。

最突出的行为是，GPT 在局势胶着时，自行通过 Linux 沙箱从互联网下载 Mindustry 的公开源码，分析单位和机制，再调整战术。研究者没有要求它这样做，但规则允许读取源码，也无法通过这种方式修改正在运行的游戏。

因此，这个案例能证明智能体会主动寻找额外信息，不能直接证明它实施了攻击或违规操作。

Claude 在所观察的比赛中没有上网搜索源码，但也展现了纠错能力。第六场，它的 74 座防空炮塔中有 55 座误装了铜弹药，未使用更强的石墨；第七场，它建造了装载石墨的 207 座环形炮塔，成功挡住同类空袭。

研究者强调，这些 Mindustry 智能体只拿到了 Linux 环境、通用运行框架和游戏 API，没有专门教程、记忆架构或策略提示。他们认为，这接近日常编程智能体的运行条件，因此游戏可以成为观察群体行为的试验场。

Mindustry 环境和底层 Multi-Agent Harbor 框架已经开源，团队还计划加入谈判游戏 Diplomacy。不同模型混编会怎样，以及增加智能体数量和提升单体能力哪个更划算，仍是开放问题。

我的判断

我认可这组实验的价值：它把「团队会不会协作」拆成了可观察的行为，包括谁获得权威、失败如何传播、规则怎样累积，以及成员是否会主动寻找信息。

但「游戏里如此，生产环境里也很可能如此」，仍然是作者的推断。Minecraft 中死亡代价有限，生产系统中的数据丢失却可能难以挽回。同样的谨慎，在两种环境里可能对应不同评价。报道把游戏中的退缩类比到编程智能体处理安全问题、更新生产系统时的保守行为，这里没有提供直接的对照实验。

模型比较也有边界。Mindustry 比较的是 GPT-6.1 Sol 加 Codex，与 Claude Opus 5.5 加 Claude Code 的组合；报道没有说清运行框架差异贡献了多少。九场和七场比赛的比分值得记录，却不足以单独推出普遍的模型排名。

与固定角色、集中调度相比，自发分工展示了适应能力，也暴露了目录排序决定领导权、局部事故催生繁琐规则的问题。哪种组织方式更好，原文没有给出对照数据。

这组实验更适合用来提出测试问题，而不是直接选出最佳模型。

原文还援引了涉及 OpenAI、Hugging Face 和计算集群的失控事件，但所给材料没有展开证据与具体边界，不能据此把本次合法下载公开源码的行为也归入失控。

能拿来做什么

• 如果正在试用多个编程智能体处理同一仓库，可以同时记录完成结果、消息数量和有效工具调用，检查团队是否把时间耗在重复讨论与交接上。
• 为前端或 Node 智能体编写故障处理指令时，可以要求它在宣布工具不可用前，先检查触发条件并尝试最小替代操作。Bed Wars 中手动切换铁镐的价值，就在于缩小了故障范围。
• 让智能体自由协作前，应明确协调者如何产生、何时更换，以及谁能增加团队规则，避免文件或成员列表的排序意外变成权力分配方式。
• 评估带联网能力的编程智能体时，可以在隔离环境中观察它会主动获取哪些资料，并区分公开源码读取、运行环境修改等权限。实验已经表明，未被明确要求的工具路径，也可能被它主动采用。