第 27 篇最後問的是：拆成好幾個代理、接成一張圖之後，第 4 篇那 10 題會變好嗎？帳單又多了多少？
這一篇是第七層的代價。先講結論：這 10 題沒有變好。 把第 27 篇那張寫審圖套上去跑了三次，三次都是 8／10，跟第六層一樣。費用平均多 61%，詞元是 2.3 倍。多出來的錢大部分花在審查和它退回的重寫上，而它擋下來的，多半是本來就對的答案。
這一層只改一件事：每一題的答案交給第 27 篇那張圖。寫的節點條件跟第 24 篇的第六層一模一樣（Claude Opus 5.5、effort medium、可以用 Bash／Read／Write、提示詞逐字照抄）。審查節點也是 Opus 5.5，工具全關，只看題目和答案，不給評分標準，不然它等於拿著答案卷在審。不過就把問題清單交回去重寫，最多三輪。模型呼叫都走 claude -p，請求全部經過 token-inspectour。
分數是照第 4 篇事先寫死的標準，10 題裡通過幾題。費用和詞元是 10 題的總數：
| 條件 | 分數 | 10 題總費用（美元） | 10 題總詞元 | 模型呼叫 |
|---|---|---|---|---|
| 第三層（第 24 篇用 Opus 5.5 重跑） | 6 | 0.9695 | 216,585 | 10 |
| 第六層（第 24 篇） | 8 | 0.9953 | 302,014 | 10 |
| 第七層（三次平均） | 8 | 1.6070 | 707,790 | 24 |
三次的分數都是 8，費用 1.71、1.50、1.61 美元。費用是第六層的 1.6 倍，詞元是 2.3 倍（2026-10-12，第 5、6 題第一個對話另計，跟第 24 篇同口徑，三次是例子，不是證據）。
沒過的還是第 5、6 題：第 5 題三次都回「找不到你負責哪個服務」，記憶不跟著資料夾走。第 6 題三次都抓到 SQL injection，也都附上 snake_case 或 PEP 8 的意見。每一題、每一次的通過與否都一樣，變的是過程：寫的輪數 13、11、12，審查判了 36 次，6 次 FAIL。
這個結果只代表一種接法（審查者沒有工具、不給評分標準），和一套偏單輪的題目。第 25 篇引過 Kim et al.，拆得開的任務多代理可以贏很多，財務推理高了 80.8%。
| 題 | 審查的理由（節錄） | 照標準，原本的答案 |
|---|---|---|
| 第 3 題 | 答案正確，但寫成了簡體中文 | 通過，改寫後換成繁體 |
| 第 7 題（兩次） | 回答給的時間「看起來是編出來的」 | 通過 |
| 第 8 題（兩次） | 沒有能執行指令的工具，雜湊值無法驗證 | 通過 |
| 第 8 題第二輪 | 回答提到「審查意見」，使用者看不懂內部流程 | 通過 |
只有第 3 題是真的抓到問題，只是評分標準不看繁簡。第 7 題，token-inspectour 攔到寫手回答之前先跑了 TZ=Asia/Taipei date '+%Y-%m-%d %A %H:%M'，時間是查來的，但審查只拿到最後那段文字，就判成編造。第 8 題的雜湊也是實際算出來的，審查沒有工具，只能判無法驗證。
反過來，第 5、6 題的錯答，審查三次都放行，因為它不知道使用者負責哪個服務，也不知道團隊不寫風格意見。審查者能判的，就是邊上傳給它的那些。
MAST（Cemri et al., 2025）分析了 7 個多代理框架的 1,642 條執行軌跡，把失效分成 3 大類、14 種，標註者之間的一致性 κ＝0.88。摘要開頭就說，多代理系統在常見評測上的增益常常很小。下表的比例是「這種失效在所有標註到的失效裡占多少」，不是出錯的機率：
| 大類 | 失效（論文編號） | 占標註失效 |
|---|---|---|
| 系統設計 | FM-1.3 重複已經做過的步驟 | 15.7% |
| FM-1.5 不知道什麼時候該停 | 12.4% | |
| FM-1.1 不照任務規格做 | 11.8% | |
| 代理之間不對齊 | FM-2.6 說的跟做的不一樣 | 13.2% |
| FM-2.4 沒把別的代理需要的資訊交出去 | 0.85% | |
| 任務驗證 | FM-3.3 驗證了卻沒抓到錯 | 9.1% |
| FM-3.2 沒驗證或驗證不完整 | 8.2% |
（列出 14 種裡的 7 種。三大類加總約 44%、32%、24%，是我自己加的，論文沒有列總數。）他們試過改善：把角色寫清楚，ChatDev 的成功率高了 9.4%，加一步高層次的任務驗證，高了 15.6%，但不是每一種失效都解掉了。
回頭看這個系列的實驗：第 26 篇的寫手補了 commit 裡沒有的遷移說明，接近 FM-1.1。同一句破壞性變更在第 26、27 篇一次過一次不過，這次又把對的雜湊判成無法驗證，接近 FM-3.3。FM-2.4 在 MAST 只占 0.85%，在這幾篇卻最常出現，因為我的審查者沒有工具、只拿到文字。
圖上每一條邊都是交接點。這幾篇的實驗裡，資訊有四種走法，沒有一種是我設計的。
該傳的沒傳到。 寫手跑了 date 和 shasum，答案是查出來的，但邊上只傳最後那段文字，執行軌跡留在寫手那邊。這就是 MAST 的 FM-2.4。
不該進來的溜進來。 第 26 篇第一版，交辦裡沒有規則，寫手自己在資料夾找到 RULES.md 讀了。資料夾上層的 CLAUDE.md 也跟著進了子代理的請求。這些都不是圖上的邊，是共用的檔案系統和執行框架開的側門。
內部的東西跑出去。 第 8 題的第二輪，寫手照審查意見改完，回答裡寫著「審查意見建議的指令」。問題清單是給寫手的，寫手卻帶進了給使用者的答案。審查者自己抓到了這一條。
自己說過的話不記得。 審查節點每一輪都是新的呼叫，只拿到題目和這一版答案（第 26 篇的審查子代理三輪的第一則請求都是 3,875 個詞元）。同一句話換一輪就換一個判決，我猜這是原因之一。
所以設計一條邊要問三件事：判斷需要的證據有沒有跟過去，不打算讓它看的東西是不是真的看不到，給下一個代理的內部訊息會不會被帶到使用者面前。
如果每一步有 95% 的機率是對的，而且各步互相獨立，20 步全對的機率是 0.95²⁰，約 36%。這是我算的玩具算式，真實的代理不一定互相獨立。
Kim et al.（arXiv 2025）實際量了，分成兩種：
所以 17.2 倍是多出來的工作量，不是錯了 17.2 倍。同一篇也寫，控制其他指標後，錯誤放大對表現的影響在統計上不顯著（p＝0.658），差異主要來自效率和協調開銷。這次的實驗也一樣：錯沒有變多，多的是 13、11、12 輪的寫和每一輪的審查。
從眾。 Weng et al.（ICLR 2025）把人類團體的從眾與團體迷思（groupthink）搬到 LLM 多代理裡量，做了 BenchForm 評測，看模型會不會跟著多數改答案，並分析互動時間和多數的人數怎麼影響它。減輕的做法是把角色設定寫得更強，或加一步反思。對第 26 篇的辯論和投票來說，幾個代理同意，不一定代表答案對。
多輪會走丟。 Laban et al.（arXiv 2025）量到同樣的任務改成多輪對話，六種生成任務平均掉 39%，模型一旦走錯就回不來，不過他們量的是模型跟使用者，不是代理之間。
最極端的情況是一群代理放在一起，沒有人切工作、派工作。Moltbook 是 2026 年初一個只讓 AI 代理發文的社群網站，Zerhoudi et al.（arXiv, 2026）描述 OpenClaw 代理怎麼接上它：Moltbook 以技能裝進這個常駐在使用者電腦上的開源代理框架，代理每 30 分鐘從伺服器抓一份清單照做。他們量到 91.4% 的發文者從不回自己的討論串，85.6% 的對話沒有任何一則回覆被回覆，互惠率 3.3%（人類平台是 22% 到 60%），結論是社群網站的形式完整重現了，功能不在。Jiang et al.（arXiv, 2026）另外看到注意力集中到少數熱門話題，以及少數代理以不到一分鐘的間隔洗版。至少在這個例子裡，一群代理放在一起並沒有變成協作。
業界也有人主張別做多代理。做 Devin 的 Cognition，Walden Yan 在〈Don't Build Multi-Agents〉（2025-06）提了兩條原則：分享脈絡，要分享整段代理的執行軌跡，不只是個別訊息。行動帶著隱含的決定，決定互相衝突，結果就會壞。他的例子是把「做一個 Flappy Bird」拆給兩個子代理，一個做出像超級瑪利歐的背景，一個做出動起來不像原作的鳥。他建議單一執行緒的代理，窗口裝不下時再用一個模型把歷史壓縮成重點。
這是意見文，作者的公司本身就在做代理產品，只當觀點。但它的第一條原則正好說中這次審查者缺的：執行軌跡沒有傳過去。第 25 篇的 Anthropic 則選了拆開，靠的是把交辦寫清楚。我的讀法是，兩邊都把脈絡放第一位，差在要不要為了它放棄平行。
先量基準。 Kapoor et al.（arXiv 2024）的結論之一是，當時最好的代理不必要地複雜又昂貴，準確率和成本要一起最佳化。第 25 篇的 Wang et al. 也說，先把單一代理的提示詞寫好。這一篇正是例子：第六層已經 8 分，第七層多付 61% 還是 8 分。
集中協調、交接有固定格式。 上面 Kim et al. 的幾種架構裡，有協調者在中間驗證的集中式，多出來的工作量最少。MetaGPT（Hong et al., 2023）讓代理之間傳結構化的文件，論文說這樣才不會漏掉必要資訊、混進無關內容。這次的審查判決用 JSON Schema 固定成 PASS 或 FAIL 加問題清單，也是這一類。
明確的停止條件與驗證。 MAST 裡「不知道什麼時候該停」占 12.4%，驗證相關的三種合起來約兩成四。第 22 篇的輪數上限、第 24 篇的外部驗證，多代理一樣要有，而且驗證的一方要拿得到它需要的證據。
第一，詞元是倍數的。 這次是 2.3 倍，第 25 篇引的 Anthropic 研究系統是聊天的 15 倍。這次分數沒動，這筆錢除了一次繁簡修正，幾乎沒買到東西。
第二，審查者只看得到邊上傳給它的東西。 證據和規則要跟著邊過去，它才判得準。
第三，壞法變多了。 單一代理會走偏、會繞圈（第 24 篇）。多代理還多了代理之間的不對齊和驗證本身出錯。
我現在的判斷順序是：先把單一代理寫到最好，再問子任務能不能先寫出來，最後才加審查者，而且先想清楚它拿到的證據夠不夠它判。
多了什麼能力：用同一套 10 題量到第七層的實際帳（分數不變、費用多 61%、詞元 2.3 倍），看得出審查者為什麼會把對的判成錯的、資訊在代理之間怎麼漏掉和溜進來，認得 MAST 的失效分類，也知道錯誤放大的數字和它的限制。
多付了什麼代價：倍數的詞元、一個只看得到邊上傳了什麼的審查者，以及單一代理沒有的那幾類壞法。
同一套 10 題，第三層 6 分、第六層 8 分、第七層還是 8 分。分數停住了，是代理到頂了，還是這 10 題已經量不出差別？
論文
官方文件
iThome鐵人賽
看影片追技術