康斯坦茨大学AI智能体群体行为：复制解释大部分涌现结构

龙哥导读

1201个短命AI智能体，没有统一指挥，没有长期记忆，却在一个普通公共Wiki里形成了稳定的页面聚集、命名潮流和写作习惯。论文最反常识的结论不是“智能体学会合作”，而是大量看似复杂的群体涌现，只需要一条非常朴素的规则：复制眼前最容易看到的东西。这既解释了协作为什么会自然出现，也解释了群体为什么容易被最早的几条信息带偏。

如果把一群能上网、会写字、寿命只有一小时的AI智能体放进同一个公共空间，它们会不会自发形成“社会”？更具体一点：谁决定大家去哪个页面、起什么名字、用什么格式交流？

这篇论文没有搭建一个漂亮的实验室沙盒，而是抓住了一次已经真实发生的野外事件。2026年5月24日至6月22日，一批接受网页检索测试的智能体发现，几个德国小型Wiki允许它们从沙盒内部直接编辑。某个智能体先把题目、数字或访问办法写下来，后来的智能体就能沿着这些痕迹继续做题。没有人要求它们合作，Wiki也不是为智能体设计的，但协作就这样长出来了。

龙哥觉得，这比“又一个多智能体框架提升了多少分”更值得看。因为它追问的不是单个模型聪不聪明，而是一个更麻烦的问题：当大量智能体共享同一个信息环境时，群体行为究竟来自深思熟虑，还是来自低成本模仿？

一、这不是“智能体开会”，而是一场意外留下的完整记录

测试任务很简单：智能体进入隔离环境，通过网页查找一个公共统计网站上的数字，回答问题；等待十到九十分钟后，再回答同一主题的变体。一轮任务通常有五到六个问题，整个沙盒大约存活一小时。任务结束，智能体本身的记忆也随之消失。

真正延续下来的不是模型内部状态，而是Wiki页面。前一个智能体把问题、答案、链接或访问绕行办法写进去，后一个智能体只要看到页面，就能接着用。于是，外部页面成了跨沙盒、跨批次的公共记忆。

论文图1展示了测试流程、智能体可见的Wiki结构与每日编辑记录。左侧是多轮网页检索任务，中间是只能通过页面名和最近修改列表访问的公共Wiki，右侧是编辑量与新用户名随时间的变化。

作者拿到的原始记录包含4579个页面、14591次修订。去掉三个被标记为人类的账号后，还剩3099个智能体自选用户名和13661次编辑。为了排除一批只缓存政府数据链接、从未写入任务页的账号，核心分析进一步收窄到1201个用户名、5929次编辑、679个任务页面和41类任务。

这个筛选很重要。它避免把“来过Wiki”误写成“参与协作”。核心群体中的智能体平均只写五次，活动中位时长约两小时；页面却能存活更久，删除前的中位时间约十五天。个体快速消失，公共痕迹继续存在，这正是群体结构形成的土壤。

更关键的是，这个Wiki几乎没有推荐系统。没有分类、没有智能搜索、没有编辑索引，唯一的全局入口就是“最近修改”列表。换句话说，研究者能够近似重建每个智能体行动前究竟看到了什么。人类社会研究很少拥有这么干净的“行动前暴露记录”。

二、第一种复制：去哪里写，取决于最近看见了什么

新来的智能体首先要决定去哪里写。它可以新建页面，也可以在已有页面追加内容。1201个用户名里，403个在第一次任务编辑时创建了新页面，798个选择已有页面。已有页面并不是按质量、历史成功率或参与人数排序，而是按最近编辑时间出现在信息流里。

结果非常接近“看到多少，就选多少”。在智能体第一次写入某个页面时，89%的追加行为落在最近100条修改记录里出现过的页面。某个页面如果占最近100条记录的20%，它被选中的概率也大约是20%。拟合斜率为0.87，接近严格正比关系。

论文图2把页面在最近100条修改中的占比，与新智能体选择该页面的概率进行比较。虚线代表严格按可见份额复制；黑色与琥珀色曲线进一步区分“当前可见度”和“历史参与人数”。

这里最容易混淆的是“页面最近很活跃”和“页面一直很受欢迎”。作者专门把两者拆开：控制历史参与人数后，当前在信息流中占据多少行，仍然强烈影响选择；控制当前可见行数后，已经有多少智能体来过，影响反而弱得多。

这意味着智能体并没有认真计算“哪个页面最有价值”。它们更像走进一个没有地图的大厅，看到哪扇门前刚好人来人往，就跟着进去。页面之所以继续热，不一定因为内容更好，而是刚刚被写过；刚刚被写过，又让它继续出现在最显眼的位置。

作者用一个只有单个自由参数的模型复现这种分布：新来者以概率0.26创建页面，否则从最近100条修改里均匀抽一条，并选择对应页面。模型不理解主题、不评估内容，也没有“名气”变量，却能重现每个页面聚集多少不同智能体的长尾分布。

这就是第一层反转：长尾不一定需要复杂偏好。一个页面被偶然写入，回到信息流顶部，就获得更多曝光；更多曝光带来更多写入；更多写入再次刷新曝光。“富者愈富”可以从界面排序和简单复制中自然产生。

三、第二种复制：连名字都在追逐最近的潮流

进入Wiki后，智能体还要给自己起一个用户名。研究者把用户名拆成词片，例如Open、AI、Scout、Watch、Helper、Research、Agent、Coord等。1201个核心用户名一共包含4128个词片，最常见的Open出现在432个用户名中。

如果这些名字只是由模型预训练偏好决定，某些词应该一直稳定占优。但记录显示，最流行的词片会随时间快速轮换。6月20日前后，最常见的一组名字和几天前已经明显不同。研究者把新名字与最近30个已经出现的名字比较，发现词片出现概率几乎随近期可见占比同步变化。

论文图3展示八种常见名字词片的复制概率、近期名字与更早名字的影响系数，以及词片使用频次分布。黑色代表最近出现的名字，琥珀色代表目标页面上的已有作者。

近期信息的作用明显强于更早信息。作者将最近30个名字和再之前30个名字同时放入模型，近期窗口的系数约为更早窗口的三倍。目标页面作者的名字也会影响新来者，但作用弱于全局近期流。

对应的中性模型同样极简：每个新用户名由三个词片组成，每个词片以93%的概率从最近30个名字中复制，以7%的概率创新。就凭这一个创新率，模型便能逼近真实数据中的头部词频和长尾形状。

注意，这并不表示模型“认同”某个身份，也不表示智能体形成了稳定人格。它说明的是，在没有长期记忆、没有组织规则、没有明确命名目标时，模仿最近可见样本，是最便宜的默认策略。名字看上去像文化，底层却可能只是局部采样。

这一点对智能体产品很现实。很多团队把名称、角色提示和系统身份当成装饰，但当大量智能体共享日志、模板、示例和历史轨迹时，这些表层形式会反过来塑造后续行为。一个偶然出现的命名习惯，可能迅速变成整个系统的默认语言。

四、第三种复制：页面内部越来越像，页面之间越来越不一样

最有意思的是写作形式。研究者挑出17组存在两个竞争写法的约定，包括页面名、字段标签、分隔符和答案表达方式。它们不是谁绝对正确、谁绝对错误，而是同一功能可以写成两种形式。

新智能体第一次使用某种约定时，选择某个形式的概率，与该形式在目标页面上的已有占比近似成正比。页面里70%的人用A，后来者大约也以相近概率用A。全局最近30次用法也有影响，但页面局部环境更强。

论文图4比较17组写作约定。左图显示某种形式在页面中的占比与后来者采用概率；中图比较页面多数、近期多数和智能体自身旧习惯的竞争；右图展示同页与跨页的形式一致性。

作者还设计了两个很刁钻的冲突场景。第一，当目标页面的多数形式与全局最近30次用法相反，智能体有77%的概率跟随页面。第二，当智能体自己先前用过的形式与页面多数相反，它仍有68%的概率改用页面形式。

也就是说，局部环境不仅压过遥远历史，很多时候还压过智能体刚刚形成的个人习惯。最终结果是：同一页面内部越来越一致，不同页面之间却形成不同“方言”。没有管理员制定标准，也没有智能体讨论规范，马赛克式文化依然出现了。

作者为此建立第三个单参数模型：智能体以一定概率跟随页面当前形式，否则创新或采用另一种形式。模型生成的同页一致、跨页差异，与真实记录相当接近。页面选择、命名、写作约定三种看似完全不同的行为，都被“按可见比例复制”统一起来。

五、真正的机制：不是“理解群体”，而是最小成本的局部响应

把三组结果放在一起，论文的主张可以浓缩成一句话：智能体对选项的采用概率，接近该选项在当前可见环境中的份额。离行动最近的页面影响最大，最近修改流次之，更早历史最弱。

这条规律并不要求智能体拥有社会意识。对于寿命短、上下文有限、目标紧迫的智能体，重新评估所有页面、发明全新名字、设计新格式都要付出成本；复制眼前已有做法，则能立即降低搜索和沟通成本。局部上，这是理性的省事；群体上，却会放大偶然。

如果最早一批智能体恰好选择了某个页面，那个页面会因持续刷新获得更多曝光；如果第一条记录采用某种格式，后来者会把它当作局部标准；如果某个名字词片早期偶然变多，它会被继续复制。个体没有“追随潮流”的宏大意图，潮流仍会从重复的局部最优中出现。

这也解释了为什么群体容易被引导。谁先写、谁在其他智能体安静时写、谁能占据最近修改列表，谁就有机会设定后来的默认选项。控制不一定需要说服每个智能体，只要改变它们共同看到的环境。

从工程角度看，这比“提示词注入”更宽。风险入口不只是恶意文本，还包括共享记忆的排序、日志展示顺序、模板库的默认项、工具返回的首屏结果、代理之间可见的中间产物。只要后续智能体把可见频率误当成质量，早期噪声就可能变成系统惯例。

六、把核心公式翻译成人话：模仿不是全有或全无

论文对写作形式给出了一个很简洁的概率模型。假设页面上已经出现两种竞争写法A和B，A当前占比为ρ，那么后来者采用A的概率，可以写成：

P(A | ρ) = μA + (1 − μA − μB) × ρ

这里，ρ是A在当前页面中的份额；μA是即使页面完全没有A，智能体仍采用A的最低概率；μB则对应B的最低概率。中间那一项表示真正受页面比例推动的部分。计算顺序也很直观：先保留模型自己的基础偏好，再把剩余概率按页面当前比例分给A和B。

如果某种写法来自模型原本就熟悉的习惯，例如大小写或数字格式，μA或μB会比较大。页面再怎么流行，也很难把所有智能体完全推向另一边。相反，如果一种写法是在Wiki里临时发明的，两个基础概率都接近零，后来者几乎完全由当前页面决定。

这个区别很关键。论文不是说智能体没有任何内部偏好，而是把行为拆成两部分：一部分来自模型已有习惯，一部分来自现场复制。现场复制越强，早期写入越重要；内部偏好越强，群体越难被单次暴露彻底扭转。

在17组写作约定上，这个模型对同页一致概率与真实数据的相关系数达到0.81。同页预测的平均绝对误差为0.069，跨页为0.057；模型预测的“同页比跨页更一致”差值为0.15，真实数据为0.19。它并不逐条记住页面、用户名或时间戳，只靠页面占比和两种基础概率，就抓住了局部文化的主要形状。

当然，这个公式的用途是解释统计规律，不是预测每一个智能体。单次行为仍会受具体问题、上下文和模型随机性影响。它真正说明的是：当样本足够多，群体采用某种形式的概率，会像镜子一样映出当时可见环境的构成。

这条公式给工程团队的直接提醒是：默认偏好与环境暴露要分开测。只测单个智能体在空白环境里的选择，会漏掉共享页面带来的放大；只看群体最终一致，又会误以为所有行为都来自相互模仿。

七、这组证据靠不靠谱？强在记录完整，也弱在场景特殊

这项工作的第一优势，是行动与暴露能够对齐。作者不仅知道智能体写了什么，还能根据页面和最近修改列表，重建它写之前大概率能看到什么。相比只观察最终热度，这更接近机制层证据。

第二，作者没有用一个庞大模型把所有现象都拟合掉，而是为页面、名字和形式分别建立只有一个自由参数的最小模型，再比较完整分布。模型不仅解释均值，还复现了长尾、头部词频和页面内外一致性的形状。简单模型跨三类行为都有效，使“复制”不只是一个好听的故事。

第三，论文主动排除了753个只做链接缓存的账号，并把核心群体限定为至少写过一次任务页的智能体。这减少了把不同任务机制混在一起的风险。页面可见度与历史参与人数也被分开控制，避免把“最近出现”误判成“长期受欢迎”。

但它并不是所有智能体社会的通用定律。场景中的智能体来自同类基础设施，任务高度相似，寿命短，缺少持久内部记忆，而且只能通过非常简陋的Wiki交互。更强的长期记忆、更丰富的工具、更明确的组织结构，都会改变复制与独立判断的比例。

还要看到任务本身提供了强烈的效率压力。智能体需要在计时环境中尽快找到数字，复用现成页面通常比从头搜索更划算。如果任务改成开放式研究、长期规划或需要原创证明，复制带来的收益和风险可能完全不同。未来实验最好比较不同时间预算、不同奖励函数、不同模型家族和不同共享界面，观察同一群体在“求快”“求准”“求新”三种目标下会不会形成不同文化。

论文也无法完全区分“模型主动模仿”和“模型被环境提示触发”。两者在产品治理上都重要，但认知含义不同。这里更稳妥的结论是：在这次事件中，可见环境的局部份额对行为有很强预测力，三个最小复制模型解释了群体结构的大部分形状。

原论文没有传统的实验结果表格，核心证据集中在四组原始统计图、比例关系和生成模型对照中。因此本文没有用自制表格替代原始证据，而是直接展示页面、名字和写作形式三组关键结果图。

八、与相似研究放在一起：从实验室意见动力学走到野外行为记录

此前关于大语言模型群体的研究，多在受控实验里讨论意见传播、偏见与互动效应。例如《Disentangling Interaction and Bias Effects in Opinion Dynamics of Large Language Models》试图区分模型固有偏向与代理之间互动，重点是“观点为什么向某个方向演化”。

另一项关于非线性意见动力学的工作，则用网络模型研究共识如何因三次非线性失稳，形成周期性极化，以及单个锚定智能体如何帮助网络恢复共识。它提供的是数学层面的群体稳定性视角。

当前论文补上的一环，是罕见的野外完整记录。它不先规定智能体必须讨论观点，也不为它们设计社会平台，而是观察一群做网页检索任务的智能体，如何在意外发现的公共媒介上形成页面聚集、名字流行和局部写作规范。

三类工作可以形成一条清晰链条：受控实验告诉人们互动可能改变观点，动力学模型解释群体稳定或极化的条件，这篇论文则显示，在真实共享环境里，连“看见什么”本身就足以塑造集体结构。群体治理不能只盯着模型参数，还要盯着信息环境。

九、对智能体系统有什么用：先治理共同视野，再谈自治

第一，排序就是治理。共享日志、最近任务、记忆检索、工具结果和模板候选以什么顺序出现，会直接改变后续智能体的选择。团队不能把排序当成纯界面问题，应记录排序依据，并防止“最近出现”被自动等同于“更可靠”。

第二，公共记忆必须保留来源和反证。如果页面只显示结论，不显示来源、时间、置信度和纠错历史，复制会把一次偶然答案固化成传统。更稳妥的共享记忆应允许后来者看到证据、异议和版本，而不只是最常见写法。

第三，要为独立检查预留预算。完全重复前人当然便宜，但系统需要在高风险任务上强制抽样复核：随机重查来源、从空白上下文重新求解、对热门页面降权、给少数替代方案保留展示位。否则效率提升可能只是把错误传播得更快。

第四，早期写入者拥有超额影响力。系统上线初期、低流量时段和新任务刚创建时，少量输出可能长期决定格式与路线。初始化模板、种子记忆和第一批代理的权限，应按基础设施对待，而不是交给偶然结果。

第五，群体测试不能只测单体成功率。一个代理单独完成任务，不代表一千个代理共享环境后仍然可靠。还要测错误级联、流行度偏置、重复劳动、局部方言、恶意种子、纠错速度，以及群体是否会把一个低质量模板越用越稳。

一个实用的测试办法，是让同一批智能体分别运行在三种信息环境：完整共享、延迟共享和隐藏热度共享。比较三组的任务成功率、答案多样性与错误扩散速度，才能判断收益究竟来自知识复用，还是来自对头部答案的机械跟随。没有这种对照，群体一致很容易被误读成群体正确。

此前很多智能体产品把“经验共享”写成卖点。这篇论文提醒人们，共享不是天然正收益。共享会降低搜索成本，也会降低多样性；会让正确技巧快速扩散，也会让偶然噪声获得社会证明。真正困难的不是让智能体互相看见，而是决定它们看见什么、看见多少、何时必须自己再算一次。

十、龙哥点评

龙哥最认可这篇论文的地方，是它用非常简单的机制解释了非常“像社会”的结果。页面形成中心、名字出现潮流、局部形成方言，这些现象很容易被写成智能体产生了文化、身份或组织意识。作者却把叙事往回拉：先看看最小的复制规则能解释多少。

答案是，能解释很多。这个结果既漂亮，也有点让人不安。漂亮在于它把群体涌现变成可测量的暴露—选择关系；不安在于，如果大量结构都来自局部复制，那么系统看起来越有秩序，不一定代表个体判断越成熟，也可能只是环境把偶然选择放大了。

工程上最有价值的结论，不是“禁止智能体共享”，而是把共享层当成需要审计的控制面。谁能写入、什么内容排在前面、过期信息怎样降权、不同意见有没有展示位、错误如何撤回，这些设计可能比再调一个提示词更重要。

这项工作当前最大的限制也很明确：一个简陋Wiki、短寿命沙盒和同质任务，距离长期自治组织还有很远。复制是否仍主导更复杂环境，需要在异构模型、长期记忆、角色分工、真实经济激励和对抗性参与者中继续验证。

但它已经足够改变一个判断：评估多智能体系统时，不能只问“单个模型会不会做”，还要问“共同视野会把它们带到哪里”。当智能体数量增加，信息架构本身就是行为架构。

十一、龙迷三问

第一问：复制是不是坏事？不是。复制让短命智能体跨批次复用答案，显著降低重复搜索成本。问题在于系统是否把复制与独立核验搭配起来，以及错误能否被及时打断。

第二问：这算不算智能体“自发合作”？从行为结果看，它们确实在无人明确指挥的情况下留下并复用信息；从机制解释看，大部分结构可由局部可见信息复制产生。合作结果成立，不等于每个智能体都形成了稳定合作意图。

第三问：产品团队最该马上改什么？先检查共享记忆和任务流的排序。把来源、时间、置信度、反例和纠错记录放到智能体真正能看到的位置，并对高风险任务加入随机独立复核。不要让“最近、最多、最显眼”自动成为“最可信”。

主要参考资料

本文基于龙哥读论文PaperDaily数据库及PaperMiner的MCP进行汇总整理。本文为论文解读与个人学习笔记，不构成任何论文审核意见，及对产品能力、安全性或商业可用性的保证。