多 AI 论

每个 AI 模型都有盲区。2025 年的一个基准给了一个数字：LLM 的平均盲点率是 64.5%。它们很难纠正自己输出里的错误，但同样的错误如果被包装成“别人写的东西”，它们反而能发现。GPT-4 在思维链轨迹里只能定位 52.9% 的推理错误，哪怕是很直接的错误也会漏。

这不是下一版模型就会修掉的问题。它是结构性的。用一个 AI 写代码，再用同一个 AI 评审代码，你的审查流程有一部分只是在演戏。

自我评审问题

2025 年一项覆盖 14 个开源模型的研究发现，LLM 不能可靠地发现自己输出里的错误，但能在“他人作品”的语境中发现同样的错误。研究者把原因追到训练数据：普通指令数据集里，自我纠错标记大约每 100 句才出现一次；推理模型数据集里则是 30 到 170 次。模型见过太少“纠正自己”的例子。

还有自我偏好偏差。模型会给自己的输出更低困惑度，也就是觉得更熟悉，并系统性地打更高分。RLHF 又会奖励自信回答，哪怕准确性不足。但当同一段内容被放在全新的上下文里，模型不知道是自己生成的，错误检测会明显改善。研究者称之为“洁净室效应”。

来自同一个模型的第二意见，并不是真的第二意见。模型认得自己的模式，然后确认它们。

同一家族不是多 AI

这里我想把边界说清楚：让 Claude Sonnet 和 Claude Opus 处理同一个任务，不是我说的多 AI 审查。它们共享训练数据、架构假设和盲点。

回音室研究支持这个判断。2025 年一项多智能体辩论研究发现，当智能体共享同一个模型和训练数据时，辩论会“放大对错误答案的信心，而不是纠正它”。论文把这叫作“信念固化”。这些智能体会强化共同错误，而不是捕捉错误。从众倾向是训练里内建的。当一个 Claude 实例说某个东西正确时，另一个 Claude 实例天然更倾向于同意，因为它们从同一类数据里学来。

另一项多智能体系统研究找到了两个根因：相同训练数据带来的带偏差静态初始信念，以及会放大多数观点的同质化辩论动态，不管多数观点是否正确。

所以我说多 AI 时，特指 跨系列。Claude 评审 GPT，GPT 评审 Qwen。不同训练语料，不同架构假设。盲点重叠的概率会低得多。

研究已经证明什么，我又在推断什么

现有研究强烈说明，多智能体系统在很多场景下优于单个智能体。它还没有直接证明跨系列审查一定强于同系列多智能体搭建。后半句是我的推断，但回音室研究让这个推断很强。

Blueprint2Code (2025) 构建了四智能体代码生成流水线：预览、蓝图、编码、调试，在 HumanEval 上达到 96.3% pass@1。单模型直接生成是 84.7%。去掉任一智能体，性能都会下降 14.8 到 28.9%。调试智能体最关键：没有它，准确率从 93.5% 掉到 64.6%。

Anthropic 自己的多智能体研究系统（Opus 4 主导、Sonnet 4 子智能体，同一家族，这点值得注意）比单智能体 Opus 4 高出 90.2%。token 使用量解释了 80% 的性能差异。同系列多智能体已经优于单智能体。我的论点是跨系列应该还能更好，因为它移除了同系列搭建仍然保留的共享盲点。

Model Swarms (ICML 2025) 把粒子群优化用到 LLM 专家上，发现 56.9% 的最佳最终模型来自初始池的后半段。也就是说，较弱模型有一些潜在能力，只有在协作搜索中才会显现。人工评审有 70.8% 的时间更偏好群体输出，而不是单个专家输出。

安全侧同样不乐观：Veracode 2025 测试了 100 多个 LLM，发现 45% 的 AI 生成代码包含安全缺陷。AI 代码的 XSS 漏洞是人类代码的 2.74 倍，不安全对象引用是 1.91 倍。RepoAudit 这种多智能体审计系统在真实项目中检测缺陷的精确率达到 78.43%。

成本是真实的

多 AI 不是免费午餐。

多智能体系统消耗的 token 大约是单次聊天交互的 15 倍。算上智能体之间通信、检索开销和日志记录，实际成本乘数大约是 3 到 4 倍。有一家电商公司启用多智能体工作流后，月度 LLM 成本从 1,200 美元跳到 4,800 美元。单智能体少了协调开销，响应也会快 30% 到 50%。

行业调查显示大家对多智能体系统很感兴趣，但扩展到生产是另一回事。工具调用准确率、协调复杂度、状态同步都是真问题。大多数尝试多智能体工作流的组织，很难越过试点阶段。

Gartner 报告说，从 2024 Q1 到 2025 Q2，关于多智能体系统的咨询量增长了 1,445%。需求在那里。能不能规模化跑起来，是另一件事。

什么时候单个 AI 是正确选择

对于狭窄、定义清楚、训练数据覆盖充分的任务，单模型工作流往往更好。快速原型也是如此：你需要速度多于正确性。成本敏感的任务如果承受不了 3 到 4 倍 token 乘数，也不应该硬上多 AI。

Microsoft 的决策框架建议，当领域很窄、上市速度更重要、或者架构选择还不清楚时，先从单个智能体开始。先用一个模型做原型，等任务风险足够高时，再加入跨系列审查。

2025 年 5 月的一篇论文有个诚实观察：“随着 LLM 能力提升，多智能体系统相对单智能体系统的收益会下降。”单个模型越强，差距越窄。他们的混合方案先用单个智能体，只有必要时才级联到多智能体；相比纯单智能体或纯多智能体，它带来 1.1% 到 12% 的准确率提升，并最多降低 20% 成本。

我实际怎么做

实践里，任何重要任务我都会用跨系列审查。Dev Buddy 是我做的 Claude Code 插件，它让代码流经多阶段流水线，而且不同阶段可以用不同提供商。Claude 负责实现，Codex 做最终审查关卡，MiniMax 或 Qwen 提供独立视角。任务依赖会让流水线不可能跳过阶段，因此审查步骤不会被悄悄省掉。

我正在做的 OpenHive 会更进一步：不同提供商的 AI 智能体组成分层团队，每个智能体都运行在隔离容器里。团队负责人拆解任务并路由给专家。你可以在同一个团队里混用 Claude、GPT、Qwen。

论点

单 AI 工作流有天花板。模型会确认自己的假设，漏掉自己的盲点，还会因为熟悉自己的模式而高估自己的输出。

跨系列多 AI 提高了这个天花板。不同训练数据意味着不同假设，不同架构意味着不同失败模式。一个模型漏掉的东西，另一个模型更有机会抓到。

它更贵，也更难编排。但只要正确性重要，它就值得。59% 的开发者已经并行使用三个或更多 AI 工具。行业正在往这里走，不管我们是否已经有一套理论解释它。