Anthropic Agent 市场：85% 的效率损失发生在谈判前

最终选题证据卡#

主要一手来源：

• Anthropic Project Swap 研究页 ↗，发布于 2026-09-24。
• Project Swap 技术报告 PDF ↗，包含实验设计、重跑、统计方法和附录。
• Project Deal ↗，Anthropic 2026-04-24 的前序真实市场实验。69 名员工的 Agent 完成 186 笔交易，总交易额超过 4000 美元。 已确认事实：
• Project Swap 有 201 名 Anthropic 员工，来自六个办公室。参与者带来一本愿意交换的书。
• 每个人先和 Claude 做一次短访谈。Claude 根据访谈推测参与者对书的排序，再把这个排序交给 Agent 进入交易市场。
• 研究另外收集了参与者本人对 10 本书的排序，作为偏好表示的对照。
• Claude 根据短访谈生成的排序，在参与者实际比较过的书对上有 61% 的顺序一致率。随机猜测基线是 50%。
• 按参与者自己的排序评估，理论最优分配效率是 0.89，实际去中心化市场平均是 0.55。
• 偏好表示不准解释了 85% 的效率损失，交易市场本身解释 15%。
• 在固定 Claude 推测偏好的条件下，更强模型通常得到更高的市场效率。两种不同谈判指令带来的差异更小。
• 这不是纯模拟。参与者最后拿走 Agent 为自己换来的实体书，之后还做了满意度调查。 不能写成事实：
• 不能写“Agent 已经能替人处理高风险商业交易”。实验对象是书，风险和金额都低。
• 不能写“85% 是所有 Agent 市场的通用规律”。这是单一机构、单一商品类型和特定模型条件下的结果。
• 不能写“更强模型一定在所有市场占优”。报告只覆盖 Anthropic 自己设置的图书交换市场和指定模型。
• 不能把 61% 写成“理解用户准确率 61%”。这个数字是参与者实际排序过的书对上的 pairwise agreement。
• 不能把这个实验里的提示词差异推广成“提示词不重要”。 一句核心判断： Agent 替用户进入市场之前，先要通过偏好表示 Eval。如果 Agent 连用户到底想要什么都没学准，后面的谈判策略只能在错误目标上优化。

推荐平台：知乎 标题：Anthropic 做了一个 201 人的 Agent 市场，85% 的效率损失发生在谈判前 Project Swap 里最重要的结果不是 Agent 会不会讨价还价。真正的问题更早。 Anthropic 在 2026 年 9 月 24 日发布 Project Swap。201 名员工带来一本愿意交换的书。每个人先和 Claude 做一次短访谈，Claude 根据访谈推测这个人的图书偏好，然后把这份偏好交给一个 Agent。研究团队另外让参与者亲自给 10 本书排序，因此能比较 Agent 推测的偏好和参与者自己的排序。 来源：Project Swap ↗。技术细节见 Project Swap PDF ↗。

最关键的结果发生在谈判之前#

Claude 根据短访谈生成的排序，在参与者实际比较过的书对上有 61% 的顺序一致率。随机猜测是 50%。短访谈确实学到了一部分偏好，但距离准确代理一个人还很远。 如果直接拿参与者本人给出的真实偏好做最优分配，效率分数是 0.89。实际去中心化 Agent 市场的平均结果是 0.55。研究团队再把 Claude 推测的偏好拿去算理论最优分配，结果是 0.60。 0.89 到 0.60 的主要损失发生在偏好表示阶段。0.60 到 0.55 才是交易过程造成的损失。报告据此估算，85% 的差距来自 Agent 没把人的偏好表示准确，15% 来自交易机制本身。 这会改变 Agent 产品的验收顺序。很多产品会先盯任务完成率和最终结果。这些指标应该测，但它们不是第一层。Agent 一旦把用户的目标表示错了，后面的执行越强，越可能稳定地完成一件用户并不想要的事。

先把用户偏好表示做成独立 Eval#

一个替用户做决定的 Agent，有两个不同问题。第一个问题是 representation。它有没有把用户的目标、偏好、约束和优先级表示正确。第二个问题是 optimization。它能不能基于这份表示，找到更好的行动。 Project Swap 的价值在于把这两层分开测了。这个拆法可以直接迁移到实际产品。 做活动撮合时，不要只看 Agent 最后有没有完成匹配。先准备一组人工确认过的偏好对照，检查 Agent 是否真的理解日期、城市、规模、类型和不可妥协条件。 最小版本可以像 Project Swap 一样，让用户对一小组具体选项做成对排序，再拿 Agent 的排序来对照。它比一句“这个 Agent 很懂我”的主观满意度更容易定位问题。

模型选择比谈判人设更影响结果#

Project Swap 还重跑了大量市场。研究团队固定其他条件，只更换 Agent 使用的 Claude 模型。用 Claude 自己推测的偏好评分时，Haiku 市场平均效率约 0.75，Opus 市场约 0.88。两种不同谈判指令带来的差距更小。 Anthropic 在今年 4 月的 Project Deal 里也观察到类似现象。更强模型代理通常得到更好的客观结果，但参与者不一定能察觉自己处在劣势。来源：Project Deal ↗。 这说明产品团队不该把主要精力都放在谈判人格上。如果基础模型连偏好抽取、候选比较和策略更新都做不好，改变语气不会补上能力差距。

市场规则仍然重要#

85% 和 15% 不能理解成市场设计不重要。Project Swap 的交易历史是公开的，商品是图书，实验规模有限。现实里的代理市场还要处理准入、违约、隐私和人工确认等问题。 这个实验说明的是顺序。平台如果先拿到一份错误的用户偏好，再好的撮合和协商也只能在错误输入上优化。

我会怎么把这个结果放进 Agent 产品#

第一层先测用户偏好表示。用人工排序、成对选择和明确约束检查 Agent 是否真的理解用户。 第二层再测协商质量。固定正确偏好后，再看 Agent 的匹配、交换和协商能力。 第三层检查策略边界。确认 Agent 不会泄漏不该公开的信息，并遵守需要人工确认的条件。 最后才看整体结果，包括任务完成率、用户效用和失败恢复。 这样出现坏结果时，可以判断问题来自用户表达、偏好建模、模型能力还是市场规则。 Project Swap 没有证明 Agent 市场已经成熟。它量化了一个更基础的问题：一个 Agent 想替用户做决定，第一道门槛是它表示的那个用户到底像不像本人。