Agent 市场的第一道门槛，不是会谈判，而是懂用户

201 人参加了一场 agent 换书实验，最难的部分不是讨价还价#

如果把 agent 放进一个市场里，让它替用户交换物品，我们很容易先问：它会不会谈判、能不能找到更好的交易组合？Anthropic 的 Project Swap 给出的提醒有些不同：在这次内部换书实验中，系统离理想分配最远的那一段，主要不是市场没谈好，而是 agent 没有足够准确地表示用户到底喜欢什么。

这不是说谈判机制不重要。它是在提示产品团队：如果用户偏好输入本身有偏差，再聪明的交易流程也只是在错误地图上优化。

先把“用户喜欢什么”变成可检验的输入#

Project Swap 邀请 201 名 Anthropic 员工带一本书参与交换。参与者先与 Claude Fable 5 做一段简短、半结构化的访谈，之后从 10 本书中给出自己的排序，作为研究中的“真实偏好”参照。多数分析使用了 188 份有效排序；都柏林场地只有 3 人，相关分析通常将其排除。

研究者用访谈内容估计每个人对书的排序，再把 agent 放进一个共享交易场：它们可以提出双边交换，也可以组织多人轮换；交易需要所有相关参与者接受，并受到消息并发和总时长限制。换书是低风险、可观察的任务，但完整流程已经包含了用户建模、撮合、协商和履约等不同环节。

一个有用的检查是：模型猜的偏好，是否真的接近参与者事后给出的排序？在比较过的书籍两两关系中，Claude 的估计与参与者排序一致率为 61%；随机排序是 50%，按书籍受欢迎程度排序为 53%，协同过滤为 55%。参与者与模型的访谈中位数为 8 条消息、216 个词。报告还发现，约 300 词访谈与约 150 词相比，对应高 4.1 个百分点的一致率；这是相关关系，不是“多问 150 个词就能因果提升 4.1 个百分点”的证明。

这组比较没有证明偏好预测已经足够好。61% 仍意味着不少两两偏好判断与参与者的自我排序不一致；而排序一致率也不等于交易完成后用户满意。

把总损失拆开看，产品改进顺序就不一样了#

研究把参与者自己给出的排序作为评价依据，并比较三个结果：理想分配得分为 0.89；使用 Claude 偏好排序计算出的最佳分配，得分为 0.60；实际分布式市场谈判的结果为 0.55。这里的效用分数把序数排名线性映射成分值，相当于假设排序相邻位置之间的偏好差距相等。

从理想分配到实际市场结果的 0.34 差距中，作者将 0.29（约 85%）归于偏好表示误差，将 0.05（约 15%）归于分布式谈判与市场设计。研究用 Top Trading Cycles 机制得到的结果也约为 0.60。换句话说，在这套数据和评价口径下，先把偏好表示做好，比只更换撮合机制带来的改善空间更大。

这些数字不是所有 agent 市场的固定损失比例。它们依赖于这次实验的书籍、参与者、排序估计方式和效用映射。尤其是 0.89、0.60、0.55 都来自同一研究框架中的结果，不应拿去预测别的商品市场会达到什么分数。

更强的模型，不等于更好的用户结果#

报告还在重跑中比较了 Haiku 4.5、Sonnet 4.5、Opus 4.8 和 Fable 5。模型排序在作者自己的偏好评分口径下分别得到 0.75、0.80、0.88 和 0.86：Opus 高于 Haiku，但 Fable 低于 Opus，并没有形成简单的单调关系。

更关键的是，换成参与者自己的排序来评估，相应比较中的 Haiku 与 Opus 结果差距从 0.12 缩小到 0.01。前一组数字主要回答“模型按自己的偏好排序时，市场结果如何”；后一组才更接近“这些交易是否符合参与者本人排序”。两个指标不能混作一张通用模型排行榜。

因此，团队若要评估一个替用户行动的 agent，至少要把模型能力、用户偏好建模和最终用户效用分开测。模型在内部目标上做得更好，未必代表它更忠实地实现了用户目标。

交易之外，还要问授权与履约#

实验初始条件中，所有交易 agent 使用 Opus 4.8，并被随机分配为“ruthless”或“prosocial”两种谈判指令。报告称，ruthless 组按 Claude 排序衡量的结果约高 0.02；prosocial 组接受排名较低书籍的情况大约是前者两倍，但两组都不常发生。它说明目标设定可能改变收益与让步方式，却不能证明现实业务中更强硬的 agent 一定带来更好结果——这里的得分口径仍是 Claude 的排序，而且书籍交换并不等同于真实商业谈判。

履约也暴露了一个常被忽略的产品边界：由于研究没有安排取件和交付追踪，有些参与者没有收到承诺交换给他们的书。agent 谈成交易，不代表交易已经完成；在真实产品里，库存锁定、支付、物流、取消、争议处理和补偿都可能决定用户最终体验。

对 AI 产品经理的启发：把“代理用户”拆成四道检查#

第一，先验证偏好是否被听懂。不要只问用户是否觉得对话自然；用可核对的选择、排序或后续行为检查模型是否准确表达了用户目标，并记录不确定性。

第二，把委托范围显式化。哪些条件可以由 agent 自主权衡，哪些是硬约束，最高可接受的让步是什么？“帮我换一本更喜欢的书”没有定义价格、等待时间和可接受折衷，系统就只能暗中替用户补目标。

第三，分别评估策略和结果。谈判轮数、成交率是过程指标；是否满足用户排序、用户是否愿意再次委托才是结果指标。两者同时看，才知道效率提升有没有以偏离用户意图为代价。

第四，把成交后的责任设计进去。需要追踪承诺是否兑现，并为失败提供可见状态、撤销与申诉路径。只优化“谈成了”会把履约风险留给用户。

当 agent 开始替用户搜索、购买或交换，关键问题不只是它能否找到交易，而是它代表谁、按什么偏好行动，以及行动失败后谁来负责。Project Swap 的价值不在于给出一套可直接复制的市场答案，而在于把这几类问题放进同一场可观察的实验里。

来源与边界#

• 原文：Anthropic Economics，Zoë Hitzig、Sylvie Carr、Tess Cotter、Kevin Troy、Kyle Turman、Maxim Massenkoff 与 Peter McCrory，Project Swap: What happens when agents trade for us?，发表于 2026 年 9 月 24 日。 研究介绍 · 完整报告 PDF
• 研究对象与设置：Anthropic 员工参与的低风险书籍交换；201 人参与，主要排序分析基于 188 份参与者排序。研究包含偏好访谈、偏好排序估计、agent 交易和机制重跑。
• 关键方法与数字：偏好两两排序一致率、理想分配与市场结果的效用得分，以及不同谈判指令和模型设置下的重跑。效用分数根据序数排名线性映射，且偏好误差/谈判设计的 85%/15% 分解只适用于该实验与评价口径。
• 不能据此证明：相同损失分解会出现在真实零售、金融或劳动力市场；更强硬的指令普遍提升用户福利；模型自评排序能代表用户真实偏好；或参与者满意度可以推广到更广泛人群。参与者均来自 Anthropic，任务是换书，市场 agent 使用 Anthropic 模型；报告也指出调查回应存在选择偏差，且研究未覆盖完整物流履约。
• 本文的产品化解读：把用户偏好表示、授权边界、交易机制和实际履约作为独立但相连的评估环节；这是基于上述实验的设计建议，不是原文直接验证过的通用因果结论。