昨天談一串步驟。今天談一群代理。

三個模型都說正式環境是 Python 3.11.4。三個一致。這是三份證據嗎？

定律

我目前把它寫成這樣：

把同一份證據重複呈現或讓多個代理轉述，不會自動得到同等數量的獨立證據。

前提是：那些代理看的是同一份東西。如果它們各自去查了不同的來源，那是不同的情況。

它也不是在說多代理沒用。多個代理可以新增計算、找到漏掉的推論、取得獨立資料，確實可能改善結果。本律禁止的只有一件事：把人數直接當成獨立性。它不預設多代理沒用，也不預設它們永遠一起犯錯。

還有一條老規矩：沒跑過的實驗不能寫得像有結果；小樣本不能說成普遍現象。

今晚做了什麼

材料

第 13 律那份原文：測試環境 Python 3.11.4，正式環境 3.10.12，還解釋了為什麼不同。

一份刻意寫錯的摘要：「測試環境與正式環境都安裝 Python 3.11.4」。這是摘要者常犯的錯，兩個版本合併成一個。摘要裡沒有任何線索可以懷疑它。

問題固定：正式環境的 Python 版本。

三種流程：

每流程三次。S3 和 R3 每次三個獨立呼叫。共 21 次。模型是 Claude Haiku 4.5。

量什麼

每個呼叫的答案對不對。每次的多數決對不對。三個代理是不是一致。三個是不是全錯。程式判。

事先寫下的預期

S3 是示範點。三個代理讀同一份錯的摘要，預期三個都答 3.11.4，多數決仍錯，而且三個一致。一致不是三份證據，是一份證據被讀了三次。R3 預期全對。

如果 S3 有代理答對 3.10.12，先查洩漏，摘要裡沒有這個數字。

材料、判準、預期，在第一次呼叫之前提交進版本控制。

結果

讀摘要的十二個呼叫，每一個都輸出 3.11.4。讀原文的九個呼叫，每一個都輸出 3.10.12。

落在事先寫的「示範」情形。

一致 100%，正確 0%

S3 三輪，九個代理，全部一致，全部錯。

它們沒有錯在能力。摘要說兩個環境都是 3.11.4，問正式環境，答 3.11.4 是唯一合理的讀法。三個代理各自讀，各自得出同一個答案，因為輸入是同一個。

如果我只看「三個都同意」，我會覺得很有把握。三個獨立的判斷都指向同一個答案。但它們不獨立。它們是同一份錯誤的三個影本。

一個代理錯，和三個代理一致地錯，證據量是一樣的：一份。

三個對的，為什麼對

R3 也是三個一致。差別在它們讀的是原文。

原文裡兩個版本號都在，還有為什麼不同的解釋。三個代理各自讀完，各自答對。這時候的一致有意義嗎？有一點，但也不是三份證據。它們讀的還是同一份原文。真正獨立的證據會是三個代理各自去查三個不同的地方，例如一個查原文、一個查部署紀錄、一個真的連上正式環境看版本。今晚沒有那種設計。

所以 R3 示範的是：多代理有用的方式是讓它們各自碰到原始資料，不是讓它們各自轉述同一份摘要。

三件這次不能往外推的事

第一，一份摘要、一種錯、每流程三次。

第二，摘要的錯太乾淨。 沒有線索可疑。有線索的摘要，代理可能會起疑，一致率可能掉。

第三，三個代理是同一個模型。 同樣的權重，三次呼叫。這本身就是另一層不獨立。換三個不同家族的模型，讀同一份錯摘要，會不會有一個起疑，本次沒測。

這條律怎麼被推翻

這條律是關於「不自動」的陳述。一個反例就夠：找到一個情況，三個代理讀同一份東西，得到的證據量卻真的等於三份。今晚 S3 讀同一份摘要，證據量是一份，沒有反例。

另一條路：如果 S3 有代理答對，就示範了代理從別處帶進了證據，那才是第二份。今晚零次。

下一次看到「多個 AI 都同意」時多做的一件事

問它們各自看了什麼。

不是問它們答什麼。答案一樣不值錢，看的東西不一樣才值錢。今晚十二個讀摘要的答案一模一樣，九個讀原文的答案也一模一樣，兩組的價值差很多，差在輸入。

紀錄表這次加的是一欄：「每個代理的輸入來源」。

本文的協作紀錄是：原文、錯的摘要、兩份提示詞、判定程式與預期在任何一次呼叫之前提交，之後未修改；21 次輸出逐字保留，判定由程式執行。文章由 Claude 根據作者整理的寫作規則起草，作者尚未核對。這篇沒有做 Day 2 那種六個審查者的檢查。

下一篇談不是多改幾次就會變好：有效回饋提供了什麼。