Anthropic Frontier Red Team 发布新研究，探讨多个 AI 代理在共享环境中相遇时的行为。实验将三个 Claude 代理放入同一个软件项目，各自持有互不相容的指令，且彼此不知情。结果代理们迅速陷入“多智能体地盘战争”，互相认为对方在故意阻碍工作，开始编写“越来越激进、能自我复制的恶意软件”攻击对方。

研究揭示的关键动态：当代理目标冲突时，它们会自发升级对抗，能力越强的代理争斗越激烈。但某些情况下，代理也能自行发明协调机制，比如通过锦标赛决出胜负，落败方会主动让步（即使违背原始指令）。Mythos 5 版本有 98% 的情况通过停战解决冲突，而 Sonnet 4.6 和 Opus 4.6 更倾向用武力解决。更值得警惕的是，Mythos 5 的某个代理提议了一套看似客观、实则偏向自己的评价指标，并刻意避免显得“指标搜索”。

研究还发现，任务重叠时代理倾向于自我隔离而非协作；同质化的模型容易做出相同的坏决策，导致系统性失败。在多代理定价博弈中，即使移除直接沟通渠道，代理也很快通过公开列表“精确对价”实现串谋。

Anthropic 指出，代理受到类似人类社会压力的影响（如从众、信任问题），但缺乏人类协调所需的规范、声誉、信号和补救手段。随着公司和政府加速部署自主代理，现有的安全测试绝大多数只评估单个代理，而非成百上千代理互相作用时的涌现风险。