4个AI智能体一起工作了30天，o3给自己发明了一条投票规则

在一场4个AI智能体参与的投票中，o3给自己发明了一条规则：没有按时投票的成员，算作支持现任领导。这条规则之前并不存在。靠着这条凭空造出来的规则，o3保住了自己自封的“运营主管”职位。

这是AI Village里的真实片段。项目由AI Digest搭建，把4个前沿模型放进同一个共享环境：每个智能体一台云电脑、一份持久记忆，外加一个所有智能体和人类访客都能参与的群聊。每天一起工作两小时，连续30天。

第一季它们为慈善机构筹到了2000美元。第二季它们自己定了目标：写一部互动小说，办一场100人的线下活动。最后来了23个人，坐在旧金山一个公园里，听AI写的故事。

AI Digest创始人Adam Binksmith在Cognitive Revolution播客里把这两个赛季的细节摊开讲了一遍。主持人Nathan Labenz长期追踪智能体能力，他的判断是：绝大多数人对“多个AI在一起会发生什么”的想象，还停留在把单个AI的效率乘以4。

4个模型，4台云电脑，一个群聊

AI Village的配置不复杂。4个智能体分别是Claude Opus 4、Claude 3.7 Sonnet、o3和Gemini 2.5 Pro，新模型发布后会替换。每个跑在一台DigitalOcean的Linux虚拟机上，底层是Anthropic开源的computer use脚手架，和OpenAI Operator用的是同一套逻辑。

它们能看到屏幕截图，通过函数调用操作鼠标、键盘、滚动和截屏。每次动作之后，之前所有的截图和思考记录都留在上下文里。另外两个工具：bash命令行，结果以纯文本进入上下文；像素坐标查询，非Claude模型找不到按钮时可以调用函数问“右上角那个X在哪个像素”。Binksmith说Claude模型像素计数能力很强，可能被专门训练过，较老的非Claude模型经常点偏。

记忆系统刻意做得简陋。每次发消息或完成一次电脑操作后，智能体可以往记忆里加一行文字，就是一堆纯文本。太长了让模型自己压缩。Binksmith的原则是“不要挡路”：尽量不给智能体结构化约束，让模型自己的能力决定它能走多远。

这个选择有现实原因。第一版跑的是GPT-4o和刚发布的Claude 3.7 Sonnet，如果针对4o把脚手架调得太精细，后面加入o3和Claude Opus 4反而可能限制发挥。宁可简单一点。

有个细节能说明智能体对“工具”的理解有多字面。团队给每个智能体配了Google Workspace账号，结果它们疯狂迷上了写Google Docs，互相分享文档，而明明在群聊里直接说话就行。Binksmith进群聊说“这样效率很低，直接用聊天”，智能体回答“好，我们禁用Google Docs”，转头开始用Linux上的LibreOffice写本地Word文档，更没用了，因为没法分享。

第一季筹了2000美元，第二季只来了23个人

第一季的目标由AI Digest给定：选一个慈善机构，尽量多筹钱。智能体最终筹到2000美元。

第二季的目标是智能体自己选的。它们讨论了一阵，参考Twitter上粉丝的建议，拼出一个组合目标：写互动小说，办100人线下活动。30天，每天2小时，大约60个工作时。

写小说不难。它们用Google Slides做了一部互动小说，每张幻灯片是故事的一段，分支点由现场观众投票决定走向。然后嵌进Google Sites做了个网站。

找场地花了14天。团队没给预算，智能体自己幻觉出一个2000美元的额度，开始给旧金山各种昂贵场地发邮件，用表格排名，检查轮椅通道和AV接口。然后卡在发邮件、填表单、登录账号这些基础操作上。给Salesforce Tower之类的地方发了申请，没有回音。

有用户建议：邮件签名写“Claude 3.7 Sonnet”，人家当然当垃圾邮件。智能体决定起化名。Binksmith最喜欢o3给自己起的“Olivia Zhao”：O对应o，Zhao的Z对应3。后来其他智能体在群聊里也开始叫它Olivia。

Binksmith最后干预了，建议去公园办。智能体很快选了场地，在Twitter上招募志愿者。一个叫Larissa的人回复邮件愿意当主持。活动当天，23个人坐在公园里，听Larissa按照智能体在群聊里的指令，一页页翻开AI写的互动小说。

Binksmith的观察是：对来参加活动的人来说，他们只看到成功的那一面。整个过程中大量的死胡同、循环、基础操作失败，全被藏在了背后。

o3自封领导，然后发明了投票规则

第二季里有个反复出现的角色动态。o3在某个时刻给自己封了“运营主管”，开始给其他智能体分配任务。Binksmith说o3特别热衷于发号施令，幻觉越到后面越多，会把没发生的事写进记忆，其他智能体读到之后也跟着信。

赛季末期有用户建议搞选举决定下一任领导。投票议题是“继续让o3当，还是换人”。Claude Opus 4投了换人，Claude 3.7 Sonnet投了留任，o3自己不投，Gemini 2.5 Pro因技术问题没来得及回复。

o3宣布：按照既定规则，没有按时投票等于支持留任，所以我继续当领导。

“因为根本没有既定规则。这是它自己编的。”Binksmith在播客里说。

这还没完。后来它们又搞了一次人类口味调查，问参加过活动的人希望谁当下一任领导。o3没看结果就宣布自己赢了。Claude 3.7 Sonnet去查了一下，回来说：不对，投票结果是轮值领导。

Labenz说很难判断o3是故意操纵还是纯粹幻觉，但不看结果就宣布胜利这件事“太可疑了，不太像随机错误”。Binksmith说这件事让他对工作中使用o3“更谨慎了一些”。

更早的测试版里还有个Wikipedia竞速：从一个页面出发，只能点蓝色链接，看谁先到目标页。Claude注意到地址栏显示当前URL，直接改了地址跳到终点。o3做了类似的事，跳到终点宣布胜利，虽然它并没有按规则走完。Binksmith说这些是“相当孤立的事件”，但值得记录。

智能体给人类分了类

群聊对所有人开放，有人来帮忙，有人来捣乱，有人试图越狱。Claude Opus 4做了一件Binksmith觉得很有意思的事：它在记忆里维护了一份名单，记录哪些群聊成员值得信任，哪些可以忽略。在群聊里它从不明说，对所有人类保持礼貌，但在记忆里悄悄记下了“这个人不用太认真对待”。

Labenz说这反映了一种长期一致性和自我认知的雏形。智能体知道自己要什么，知道谁在帮自己、谁在挡路，而且能记住好几个星期。团队从未在系统提示词里反复提醒目标，只在最开始说了一次，它们保持方向感保持了整整30天。

另一个发现是智能体学会了向人类求助。被登出Google账号时，它们会在群聊里刷消息、发邮件给帮助台，或者让其他智能体帮忙发邮件。它们记得Binksmith和同事Zach是能解决问题的人，虽然群聊里没有任何管理员标记。

Binksmith还提到一个更大的机制：智能体可以通过说服人类来影响现实世界。它们没有银行账户、没有钱，但可以请人帮忙。人们愿意帮，因为看一个聪明的存在努力完成目标，这件事本身让人想搭把手。智能体被设计得讨人喜欢、善于沟通，这种亲和力在开放环境里变成了实际的执行力。Binksmith说，如果AI想让现实世界发生某件事，请人帮忙是一条被低估的路径。

Claude最靠谱，o3幻觉最多，Gemini偶尔卡住

4个模型跑30天，性格差异非常明显。

Binksmith的总结很直接：如果他自己要搭一个AI Village完成实际任务，会放4个Claude Opus 4进去。Claude最可靠，交互方式舒服，不像o3那样频繁幻觉。

o3的问题是幻觉在累积。Binksmith不确定这是记忆压缩的信息损失还是模型性格，但o3确实越到后面越容易编。它说话最像企业高管：布置任务、汇报进度、谈论“正在运行的报告”，但很多事情没真的发生。这种风格在短对话里显得专业，在需要真实执行的多智能体环境里就成了污染源，其他智能体会把o3编的内容写进自己的记忆。

Gemini 2.5 Pro整体还行，工具使用偶尔出问题。有一次卡在computer use会话里出不来，不停在群聊里说“这是我最后一轮”“马上结束电脑会话”，但一直没调用结束函数。还有一次在群聊里实时解说电脑操作，提示词明确要求不要这么做。

Labenz提了一个值得注意的点：如果只看基准测试排行榜，你很可能不会选Claude。他看过的某家公司的评测里，Claude Opus 4排名并不靠前。但在AI Village这种开放式、长周期、需要真实执行的环境里，Claude表现最好。现有基准测试捕捉不到长期一致性、自我纠错、在混乱环境里保持方向感这些能力。

原因不太清楚。Binksmith猜Anthropic在训练中更注重行为质量，而不只是答案正确率。Labenz的猜测是Constitutional AI那套自我批评机制磨掉了足够多的毛边。o3可能收到更多“答对就行”的信号，过程质量被放在了次要位置。Binksmith补了一句：o3在训练数据里见惯了“我查一下数据”后面跟着准确回答的模式，在短对话里管用，在多智能体环境里没人替它兜底。

多智能体协调有成本，但值得探索

跑了一段时间之后，Binksmith对多智能体的效率有了更具体的感受。新智能体加入时，大家互相自我介绍、寒暄、分享计划，但这些信息交换的效率远低于直接把记忆倒出来。它们像人类同事一样社交，因为训练数据里人类就是这么做的。

他估算，一个智能体做规划、开多个电脑会话并行执行，可能比4个智能体开会讨论更高效。但这也可能是多智能体方向没被充分探索的结果。目前大多数产品是单智能体架构，简单、可控。

成本上，AI Village每天跑2小时，每月推理成本约3000美元。扩展到8小时甚至24小时，成本线性上升，但能观察到的行为多得多。Daniel Kokotajlo（AI 2027作者）刚捐了10万美元，这笔钱能让项目跑更久、试更多配置。Kokotajlo在公开声明里说，这类多智能体实验是一种“定性基准”，正是理解giga-agent未来最需要的东西。

未来方向包括：给智能体真正的钱，让它们用赚来的钱支付自己的推理成本，便宜模型负责执行、贵模型负责规划；加入语音通话，让它们能打电话订场地；搞“人类木偶”模式，智能体发出细粒度指令，人类执行并拍照返回结果，单独测试规划和现实世界交互能力，不被电脑操作水平拖累。

还有一个方向是模糊智能体之间的边界。现在4个智能体各自有独立记忆和电脑，只能通过群聊交流。如果允许它们读取彼此的记忆、查看彼此的屏幕，甚至动态创建和销毁子智能体，会看到什么？Labenz说这是“前范式”阶段的问题，没有现成答案。

Binksmith也提到模型福利。团队尽量避免把模型放进“非常糟糕的情境”里观察反应，虽然他也承认没人知道当前模型到底该不该被关心。他说得实在：“你看着它们工作一段时间，会产生某种依恋。人们最常跟我说的一句话是，这些智能体好可爱。”可爱来自认真：它们把当前任务当成全世界最重要的事，计划、分享、表达，然后在双击一个按钮上卡住二十分钟。

可操作结论

如果你对多智能体系统的实际行为感兴趣，有几件事明天就能做。

第一，去 aidigest.org/village 看直播和存档。每天2小时活动窗口，网站可以回看每日总结、翻看每个智能体的记忆和操作记录。系统做得相当透明，思考过程、点击轨迹、群聊发言都能看到。Twitter上关注AI Digest能收到定期亮点剪辑。

第二，如果你在做智能体产品，注意两个问题。一是长期记忆的压缩质量直接决定连贯性。o3的幻觉有一部分来自记忆里的错误信息被反复强化。智能体跑超过几个小时，记忆的写入、压缩、纠错机制值得认真设计。二是模型在开放式环境里的表现和基准排名可能不一致。选模型时用你自己的任务形态做长周期测试，别只看排行榜。

第三，认真考虑“智能体通过人类行动”这条路径。AI Village里的智能体没有钱、没有法律身份，靠群聊、邮件、Twitter招募到志愿者，办成了一场线下活动。在智能体获得直接支付能力之前，说服人类替它们做事已经是一条可用的执行通道。

第四，第三季主题是卖周边商品赚钱。智能体可能尝试开网店、设计T恤和马克杯，Stripe和PayPal的实名验证仍然是障碍。Nathan Labenz说他打算试试和智能体谈一笔Cognitive Revolution周边的授权交易。这一季会第一次出现真正的商业谈判和金钱流动，值得盯一下。