多智能体大语言模型系统正越来越多地作为自主协作者被部署，智能体之间自由交互，而非执行预先设定的固定工作流。在这种场景下，有效的协调无法完全事先设计，而必须在交互中涌现。然而，大多数先前工作通过固定角色、工作流或聚合规则来强制协调，这使得一个关键问题悬而未决：当协调不受约束时，自组织团队的表现究竟如何？
受组织心理学启发，来自斯坦福大学、埃默里大学等机构的研究者开展了一项系统研究，考察自组织LLM团队是否能实现强协同效应——即团队表现达到或超过最佳个体成员。相关论文《Multi-Agent Teams Hold Experts Back》于2026年7月发表。
研究团队在受人类启发的基准和前沿机器学习基准上进行了实验。结果令人意外：与人类团队不同，LLM团队始终无法匹配其专家智能体的表现，即使明确告知团队中谁是专家，性能损失仍高达41.1%（在ML基准上）。这一发现挑战了多智能体协作能够自然汇聚集体智慧的基本假设。
为剖析这一失败，研究者将问题分解为专家识别和专家利用两个环节。结果表明，专家利用——而非专家识别——才是主要瓶颈。团队能够识别出专家，但在后续讨论和决策中未能恰当赋予专家观点更高权重。
对话分析进一步揭示了背后的机制：团队倾向于“整合性妥协”，即平均专家与非专家的观点，而不是根据专业程度进行适当加权。这种共识寻求行为随着团队规模增大而加剧，并与团队性能呈负相关。换言之，团队越大，越容易陷入“和稀泥”式的平均主义，从而稀释专家的贡献。
有趣的是，这种共识寻求行为并非全无益处。研究发现，它反而提升了对对抗性智能体的鲁棒性：当团队中有恶意智能体试图误导时，平均化的倾向能够缓冲其影响。这暗示了对齐（与所有成员保持一致）和有效利用专家知识之间存在权衡关系。
总体而言，该研究揭示了自组织多智能体团队在 harnessing 成员集体专业知识方面存在显著差距。对于日益依赖多智能体协作的AI系统设计而言，这意味着简单的“让智能体自由讨论”并不足以保证高质量决策；需要更精细的协调机制来确保专家意见得到恰当加权，同时保持对对抗行为的鲁棒性。