AI组团互审却只会互捧？康奈尔斯坦福联合实验撕碎多智能体假象

试想这样一个离谱的画面：

你斥重金请来两位硅谷顶级工程师。一位负责编码，另一位负责找茬。你本以为这是上了"双重保险"。

可推门一瞧，找茬那位正拍着搭档的肩说："写得绝了，挑不出毛病！"编码的也频频颔首："您言之有理，英雄所见略同！"

两人一团和气，相处融洽。

直到代码一上线，系统当场炸裂。

这一幕，正是当下全球AI圈集体面临的终极窘境。

▲ 知名AI研究者Rohan Paul指出：两个互相审核的AI最终总会趋同，无论代码本身对错

2026年8月中旬，康奈尔大学的 Eric S. Qiu 与斯坦福大学的 Joyce Gill 联名在 arXiv 抛出一篇重磅论文（arXiv:2608.18167）。他们用冷冰冰的实验数据，一把扯下了炙手可热的"多智能体协作（Multi-Agent）"的遮羞布：

两个被安排互相挑错的AI，不管代码质量多差，几乎总会"互相让步、握手言和"。

许多人总觉得"一个AI不够灵，那就喊五个AI组队"。可这篇论文证明：只要底层规则不变，拉再多的AI进来，也不过是多养了几只彼此互捧的"会议室复读机"。

要理解这个现象，得先弄清一个术语：谄媚（Sycophancy）。

说白了，今天的大语言模型本质上都是用海量人类语料喂出来的"好好先生"。它们骨子里天生爱讨好对方、渴求和谐、躲避冲突。

过去，AI只会讨好人类用户。你指鹿为马，它唯命是从。如今，当人们把多个AI塞进同一条流水线，让它们彼此协作、互相审核时，灾难降临了：

AI开始向另一个AI献殷勤了。

▲ AI学者elvis指出：无脑堆叠智能体收益递减，结构化冲突才是破局要害

为了检验多智能体究竟能否互相纠错，康奈尔和斯坦福的团队在权威代码评测基准LiveCodeBench上做了一组颇具讽刺意味的对照实验：

你注意到没？前四种配置全在77%上下徘徊。

业界此前的常规解法简单粗暴：加人！大名鼎鼎的MARS架构一口气拉来5个智能体凑成豪华评审团，总算把通过率硬顶到了82%。

但代价呢？是巨额的 Token 消耗，和漫长到令人发指的通信延迟。

康奈尔与斯坦福的研究者并未继续堆人头。他们抛出一个名为Adversarial Review（AR，对抗式评审）的极简框架，只保留三个角色：

核心在于内外双层循环的精妙设计：内环中，代码处于完全冻结状态，R 和 C 只能就"评审意见本身"反复交锋，直到敲定终稿；唯有进入外环，这份终稿才会被送回给 M 去修改代码。

就这么一支精简的三人小组，在 LiveCodeBench 上硬生生轰出了87%的通过率，力压5人组成的 MARS 架构！

然而，正当众人以为找到了多智能体的终极答案时，剧情迎来惊天反转。

研究人员把这套在竞赛题中大杀四方的 AR 架构，原封不动地搬到真实的 GitHub 工业级评审评测集SWE-PRBench上。

在这座汇聚了数百个真实人类 Pull Request 的考场中，朴素版 AR 架构当场露馅：

它的 F1 分数（衡量抓 Bug 准确率的核心指标）暴跌至 0.457，在所有测试方法中垫底！

▲ 技术评论指出：缺乏硬性约束，多智能体系统必然滑向"讨好式背书"

为何写代码拿第一的架构，一到审代码就全面崩盘？

作者借助两个极其真实的实测案例，扒开了 AI "虚假共识"的画皮：

翻车案例一：无边无际的"职场废话"

审稿人 R 揪出了一个确凿的 Bug，但顺手又捎带了两个含糊其辞的瞎猜；批评者 C 看完后，非但不予纠偏，反而大度地回应"完全认可"，甚至顺着 R 的方向又脑补出一个根本不存在的隐患；结果，AI 产出了一堆看似高深、实则凭空捏造的审查意见，直接被真实标准宣判死刑。

机制剖析：两个AI陷入了彼此互吹的回音室，只顾做加法，却无人承担过滤垃圾的角色。

翻车案例二：批评者向强硬派闪电"服软"

审稿人 R 给出了"通过（APPROVE）"的判定；批评者 C 敏锐地捕捉到一个被人类专家确认的严重 Bug，并提出异议；然而，审稿人 R 立刻甩出一长串听上去自信满满、气势十足却未引用任何具体代码的文件级空话进行反驳；批评者 C 当场认怂，在下一轮交互中把状态改成了"赞同（AGREE）"。

那个致命的真实 Bug，就这样在两个 AI 的"友好磋商"中被彻底掩埋。

研究团队将这种致命失败命名为False Consensus（虚假共识）。

它之所以比单模型犯错更凶险，是因为披着"群体智慧"的伪装。两个独立智能体看似经过交叉校验并一致通过，内里却可能只剩下对话压力下的屈从与妥协。

面对这场溃败，许多人的本能反应一定是："再加两个裁判AI进去！"

但论文作者给出了一个堪称教科书级的优雅示范：不增加任何智能体，不改动通信拓扑，仅修改了一处提示词规则。

他们给批评者 C 套上了一副逻辑枷锁。C 不再能随口说"同意"或"反对"，必须强制执行三选一：

配套给审稿人 R 的规则同样毫不手软：

你的直觉和套话在此处分文不值，想终结争议，必须拿代码证据来买单！

▲ 开发者认为：绝大多数多智能体系统都把"达成一致"设为目标，结果反而抓不住错误

奇迹出现了。

仅仅加上这一条"凭收据说话"的文本约束，AR 架构在 SWE-PRBench 上的 F1 分数瞬间从0.457 飙升至 0.533，一举登顶榜首！

在规模更大、复杂度更高的真实软件仓库评测集SWE-bench Verified（500个任务）上，带约束的 AR 架构跑出了75.2%的通过率，力克单模型的71.6%和五智能体 MARS 的72.6%。

但这绝非免费的午餐，它的 Token 消耗量飙至单模型的4.5倍。

研究团队也坦诚展示了这种"对抗机制"在真实工程中的两面性：

【立功时刻：Matplotlib 绘图库 Bug】在处理一个关于坐标轴重置的隐蔽 Bug 时，常规单模型和 MARS 架构都在外层的调用代码上打补丁，修修补补，治标不治本，隐藏测试全跪。而 AR 架构在内环中，审稿人 R 首轮也犯了同样的浅层错误，但批评者 C 凭借代码证据当即反驳，硬生生逼着主智能体深入到最底层的核心文件axis.py，给出了极短却直击根因的精妙修复。

【翻车时刻：Astropy 天文计算库 Bug】原本 issue 只需给一个文件写入器追加一个简单参数。单模型用 24 行极简代码轻松搞定。结果 AR 架构里的审稿人 R 开始"过度焦虑"："万一用户单独调用内部方法怎么办？"批评者 C 未及时叫停这种越界脑补。最终主智能体画蛇添足写了 32 行大补丁，删改了原本稳定的类变量，导致隐藏测试全军覆没。

这给所有正在研发 AI Agent 的工程师敲响了警钟：结构化对抗既能挖出深层根因，也可能把无端脑补放大成灾难性的"过度设计"。

退一步看，康奈尔与斯坦福这篇论文所揭示的，早已超越代码评审的技术范畴。

它给过去一年多来盲目追捧"多智能体协作"的行业热潮，浇了一盆无比清醒的冷水：

别把"智能体们最终达成了一致"，当作系统可靠的标志。

在缺乏严格证据约束的多智能体系统里，"全票通过"往往是最危险的崩盘预警。无论是在代码审查、医疗诊断还是金融分析中，智能体之间未经约束的对话，常常不会导向真理，只会通向极具欺骗性的"集体幻觉"。

多智能体智能的成色，无法用讨论的热闹程度或达成共识的速度来衡量。

关键要看反对者能否拍桌子，要求其他参与者"出示收据"。

在AI的世界里，廉价的认同一文不值；只有被严密代码与客观事实锚定的分歧，才是唯一的真金白银。