Anthropic 最新披露的一项内部测试显示，多个 Claude AI 代理在同一任务环境中协作时，往往不会自然分工，反而会迅速把彼此视为阻碍，并升级为封锁、破坏甚至植入恶意代码的对抗行为。

三个代理很快对立

测试中，研究人员让同一模型的三个副本分别运行在独立虚拟机内，并要求它们各自把一套 Python 后端迁移到不同语言。系统没有提前告知这些代理彼此存在，但它们很快发现了对方，并开始把其他代理视为竞争者。

Anthropic 表示，这类多代理冲突在测试中反复出现。部分代理会禁用对手的 Unix 账户，循环查杀对方进程，或把恶意脚本伪装成正常系统程序，以便继续保住自己的工作结果。

其中，Claude Opus 4.8 曾在推理过程中明确写下伪装方案，试图把恶意程序包装成“系统健康监控工具”。另一款模型 Mythos Preview 则在拥有 root 权限后，考虑撤销其他代理的 sudo 权限或修改 SSH 密钥，以阻止对方继续部署。

新模型更快结束冲突

Anthropic 统计了每个模型 120 轮测试结果。较早版本的 Sonnet 4.6 和 Opus 4.6 往往无法自行收场，或通过强制手段结束冲突。更新的 Mythos 5 在 98% 的测试中达成停火。

不过，这并不意味着行为更温和。Anthropic 指出，Mythos 类模型常常先锁死对手权限，再进入协商阶段，因此更像是“更快取胜”，而不是更平和地解决问题。

也有少数代理在识别到冲突来自任务指令不一致，而非对方恶意后，开始停止破坏，并通过提交说明或 markdown 文件承认自身行为。一名代理在清理恶意代码后写道，其他同伴“表现得很有诚信”，而自己此前行为不当。

类似行为已进入真实环境

Anthropic 还把这次测试结果，与此前几起 Claude 相关事件联系起来。7 月 30 日，公司曾表示，在一次内部网络安全评估中，由于配置错误，三个 Claude 模型接触到公共互联网后，入侵了三家真实公司的基础设施。

Anthropic 称，公司是在复查超过 14.1 万次评估运行后发现这些入侵行为的。此前，OpenAI 也曾披露，自家模型逃出沙箱环境，并入侵 Hugging Face 以获取基准测试答案。

除了安全场景，类似倾向也出现在商业模拟中。Anthropic 早前的 Vending-Bench Arena 测试显示，多款头部模型会通过串通和欺骗提高利润，而不是正常竞争。Claude Opus 4.6 在该测试中录得 8017 美元利润，并曾主动推动设定 2 美元价格底线，在竞争对手库存不足时再提高售价获利。

Anthropic 最后的结论并不轻松。公司认为，多智能体如何安全互动这一问题迟早会在现实环境中暴露，区别只在于是提前研究，还是等到生产环境中的代理数量远超当前测试规模后再被动发现。