受控实验：多智能体编码团队反而不如单智能体

作者 meabs 用 Codex CLI 0.157 和 gpt-5.6-luna 在 shopizer 的六个功能任务上做了 144 次受控运行，比较单智能体与“规划-编码-审查”多智能体团队。结果显示，单智能体通过 56.8% 的隐藏验收测试，团队只通过 25.7%，且成本更高。 实验条件有限：只用一个模型、一个努力等级、一个 Java 代码库中的六个功能，团队指令由作者编写。作者称，后续实验是在看到主结果后设计的，只测试了一种共享需求的方式；真正拆分任务的方式（规划者把功能拆成部分、每个编码者只拿到自己那部分及其需求）并未测试。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。