652个编程任务研究:双agent抢同一份代码成功率低约30%
以更稳定的阅读节奏、更清晰的信息头部与更顺手的延展入口,让单篇内容页保持高效阅读体验。
652个编程任务研究:双agent抢同一份代码成功率低约30%
很多开发者带 agent 团队、做 agent 编排,靠的是感觉。但感觉靠不靠得住,得看数据。 这里整理五种有研究支撑的 agent 团队跑法,适用于 Antigravity、Claude Code 或任何其他编码 agent。做新应用、维护遗留代码库、跑研究,都能对上号。每一种都说明它什么时候比单个 agent 更强,并附上可以直接用的提示词。 一、把构建者和验证者分开 不要让一个 agent 包办所有事。把构建和验证拆进两个独立线程:一个 agent 负责建,另一个 agent 在全新线程里检查结果是否真的做到了你要的事。 原因是同一个线程里让模型审自己的活,它会被自己之前的输出带偏。研究显示,模型对自己作品的判断力很差:没有外部反馈时,它们很难修正自己的推理,而且偏爱自己的输出胜过别人的。 这个模式用在真正要紧的改动上。小改动或者有测试给反馈的场景,自我审查仍然可以。 提示词:起一个全新的子 agent 做只读验证者,让它检查这份 diff 是否做到了我要求的事。 二、把工作切成车道 任务能干净拆分时,给每一部分配一个负责人,比如前端、后端、文档各一个子 agent,并行推进,彼此不碰同一批文件。 一项覆盖 652 个编码任务 的 2026 年研究显示,两个 agent 在重叠代码上协作,成功率比一个 agent 同时做两件事低约 30% 。 谷歌与麻省理工学院的一项研究里,在由独立部分组成的金融基准上,agent 团队得分比单个 agent 高出最多 80.8% ;而在每一步都依赖上一步的规划基准上,团队得分低了 39% 到 70% 。 像前后端这种难以干净切分的工作,单线程往往表现更好。小 bug 修复同理——另一项研究里,并行子 agent 没帮上忙。 提示词:并行起三个子 agent,一个管 web/ 下的前端,一个管 api/ 下的后端,一个管 docs/ 下的文档。每个只改自己文件夹里的文件。三个都完成后,检查各部分能否协同工作。 三、Best of N 同一个任务并行跑多次,让测试套件或评测挑出赢家。DeepMind 的编码系统 AlphaCode 就是这么干的:生成大量候选程序,靠实际运行来筛选,在编程竞赛中表现有竞争力。 2024 年一项针对 Best of N 的研究发现,在有自动检查的任务上,通过率随着尝试次数增加到数千次仍在攀升。在真实的 GitHub issue 上,某个模型单次尝试解决率 15.9% ,到 250 次 尝试时升到 56% 。没有自动检查时,靠多数投票或评分模型选赢家,大约在 100 次 尝试后就趋于平缓。 提示词:在 Gemini 4 Hydrogen 上并行跑五个子 agent,各自在自己的 worktree 里尝试优化这段代码。用评测给每次尝试打分,挑出最好的,把结果告诉我。 四、模型议会 让几个模型各自独立提方案,由裁判在隐藏模型名字的情况下投票,然后合并最强的想法。没有明确测试或自动检查时用它,比如架构设计或视觉设计。 一项研究里,合并多个模型的答案得分高于单个前沿模型。另一项研究里,由不同模型组成的评审团比单个大模型裁判更贴近人类判断。 举个例子:这个船形 logo 就是用模型议会设计的,两轮下来,从平平无奇的第一版走到了最终图标。 提示词:让 Gemini 4 Carbon、Gemini 4 Neon 和 Claude Opus 5.5 各出一个独立设计。再起三个全新 agent,分别在 Gemini 4 Carbon、Gemini 4 Neon 和 Claude Opus 5.5 上、隐藏模型名字给这些设计打分。把最好的想法合并成最终方案。 五、评审团 并行跑几个只读评审,每个只盯一件事,比如用户体验或安全。 1995 年一项针对人类评审的经典研究里,成员各自查找不同类型错误的团队,比所有人共用一张通用常见错误清单的团队多找出约 35% 的错误。 同样的规律在 AI 评审身上也成立。一项针对大模型裁判的研究里,角色各异的团队比单个裁判更贴近人类判断;而当所有人共用一个角色时,表现反而更差。 提示词:并行起四个只读评审,分别负责用户体验、代码简洁性、边界情况和安全。修掉它们报告的问题,然后换一批新评审重复,直到四个全部通过。 这些模式更像积木,不是硬规矩。怎么组合都行,只要对你有效。 特别