4個AI互相傳話，第4個輸出已面目全非

多智能體（Multi-Agent）系統的故障率，在生產環境中比單智能體高出340%。這不是模型能力問題，是架構設計問題。

你讓4個AI協作完成一個任務：A提取數據，B總結，C格式化，D發送。演示時一切完美，上線后每周崩潰3次。問題出在「傳話游戲」——每個AI都在自信地編造，誤差像滾雪球。

電話游戲的AI版本：誤差如何指數級放大

原始文章作者用了一個精準類比：電話游戲（Telephone Game），但每個參與者都在幻覺（Hallucination）。Agent A從PDF提取客戶信息，把「2024年Q3營收」寫成「2024年第三季度收入」。Agent B總結時變成「去年下半年收入」。Agent C格式化時理解為「2023年H2」。Agent D直接發給財務系統，觸發審計警報。

自然語言是損耗介質。每傳遞一次，信息熵增加15%-30%。

更隱蔽的是「自信幻覺」。大語言模型（Large Language Model，LLM）的輸出自帶確定性語氣，下游代理（Agent）無法判斷「這是事實還是推測」。作者指出：「每個步驟都在復合錯誤。到Agent D行動時，原始意圖已經變異到無法識別。」

為什么演示環境從不翻車？因為測試數據干凈、邊界情況少、鏈長短。生產環境相反：PDF掃描件模糊、客戶用俚語寫需求、第7個代理才被觸發。

「更聰明的模型」是陷阱

行業第一反應是換更強的模型。GPT-4換Claude 3，70B換400B。作者直接否定：「修復方案不是更聰明的模型，是有依據的交接（Grounded Handoffs）。」

模型能力提升的是單步準確率，但多智能體系統的誤差是乘法關系。假設每個代理準確率95%，4個串聯后整體準確率只有81.4%。換成99%準確率的模型，4串聯后是96.1%——看起來好了，但第8個代理介入時，又跌回92.3%。

核心矛盾：模型越強，幻覺越隱蔽。GPT-4編造的財務數據比GPT-3.5更像真的。

作者提出的四項修復原則，本質是「用工程約束替代模型智能」：

結構化狀態，替代自然語言。代理之間傳遞JSON Schema或類型化對象，而非段落文本。JSON可校驗、可diff、可回滾；自然語言需要二次解析，解析本身又是誤差來源。

單一事實來源（Single Source of Truth）。所有代理讀寫同一個上下文對象，消滅電話鏈。每個代理看到的都是權威狀態，而非「上一個代理的理解」。

顯式失敗模式。Agent B收到垃圾輸入時，應該拒絕而非猜測。猜測是信心螺旋的起點——下游代理會把猜測當事實繼續加工。

人工檢查點。代理鏈越長，越需要人在回路（Human-in-the-Loop）。作者沒給具體比例，但暗示超過3步的鏈必須設閘。

MCP協議的真正價值：不是工具，是共享上下文

模型上下文協議（Model Context Protocol，MCP）最近被熱炒，多數解讀聚焦「讓AI調用外部工具」。作者視角不同：「MCP不只是關于工具，是關于共享上下文。」

當所有代理從同一個MCP服務器讀取，漂移（Drift）被消除。模型不需要「記住」前一個代理說了什么——它讀取當前狀態。狀態是物化的、版本化的、可審計的。

架構圖的變化很直觀：

舊模式：Agent A → Agent B → Agent C → 輸出。鏈式結構，故障隔離差，調試時需要逐層追蹤。

新模式：Agent A → 狀態，Agent B → 狀態，Agent C → 狀態，輸出 → 狀態。星型結構，所有代理圍繞狀態樞紐運轉。

多智能體系統不是協調問題，是狀態管理問題。狀態對了，編排自然順。

作者最后拋出一個反直覺結論：「大多數代理故障不是模型故障，是上下文故障。修復上下文，修復系統。」這與行業敘事形成張力——我們過度投資模型能力，低估工程基建。

一個值得追問的細節：作者提到的「顯式失敗模式」在現有框架中如何實現？LangChain的回調機制？還是需要在應用層自建校驗層？原文沒展開，但生產部署時這往往是最大坑點。