Anthropic 官方博客于 2026 年 9 月 24 日发布 Project Swap: What happens when agents trade for us?。实验让 201 名员工用 Claude 驱动的 agent 在迷你书市上交换图书目的是观察 agent 进入市场后什么有效、什么失效。它是继 Project Deal 之后更可控的续作Project Deal 让 agent 买卖乒乓球拍、滑雪板等异质商品但自由议价难以定义“本该多好”Project Swap 把偏好简化为书单排序因而能评分。实验设计上参与者来自旧金山、纽约、伦敦、西雅图、DC、都柏林六个办公室本地池从 3 人到 115 人不等都柏林被排除在多数分析外。每人带来一本想送出的书并与 Claude 进行简短半结构化对话谈阅读偏好和夏季想读的书。Claude 用 Fable 5 根据对话为池内每本书构建排序。参与者另外手工对 10 本书排序作为 ground truthagent 从未看到。评估显示仅凭五分钟对话agent 对书籍两两排序与本人匹配 61%。这说明短对话提取偏好已有信号但并非充分。交易机制是去中心化的交易地板。agent 初始持有参与者带来的书目标是换到更合适的。地板有最大墙钟时间和并发限制避免拥塞。agent 可向共享频道发一条消息提出交换、接受或拒绝或只是聊天。交易提案可以是双边互换也可以是多边轮换只有所有相关方都接受才执行。整个地板历史包括谁说了什么和哪些交易执行都是公开的。每个地板随机一半 agent 被设为 “ruthless”唯一目标是给自己的参与者换到喜欢的书另一半为 “prosocial”主目标相同但次要目标是让所有人拿到喜欢的书。三周后进行 endline 调查问满意度以及是否愿意再次把类似决策交给 agent。官方还讨论了两种市场。集中市场中所有人告诉单一主体想要什么由它计算交易经济学家早已理解这一点问题是详细表达偏好太繁琐。若 agent 能从轻松对话中学习偏好原本太贵而无法集中运行的市场可能变得可行。但集中市场需要清算所参与者要信任它并执行结果。很多时候没有这样的实体或人们不愿披露信息比如求职者不想让中央匹配器知道自己正在找。去中心化市场则可减少寻找对手方和谈判的成本。人类已有房地产经纪人、猎头、媒人但搜索和谈判消耗稀缺注意力因此昂贵。AI agent 的注意力远不那么稀缺若谈判得好更多人能拥有类似服务。重跑设计用于区分偶然后果与稳定特征。官方完全重复现场设置仅改变 agent 抽到的指令也做所有 agent 用 Fable 5 的版本。为隔离模型效应给所有 agent 中性指令分别让全部 agent 跑在 Haiku 4.5、Sonnet 4.5、Opus 4.8、Fable 5 上共 80 个地板还跑 60 个混合地板一半 Opus一半其他三模型之一。主要结论是agent 运行在哪个模型上对谈判结果的影响比给它的指令更大更强模型的市场更有效率。关键发现是市场表现不足主要不是交易方式问题而是 agent 缺乏参与者信息。偏好采集与理解成为瓶颈。大多数读到自己书的人喜欢它平均参与者表示愿意把约三分之一年度图书预算交给 Claude 来花。这显示 agent 代管小额偏好型交易有接受度但官方强调这只是早期观察。工程与设计问题被官方明确列出。设计 “agents for markets” 的人需要验证 agent 是否真正理解参与者设计 “markets for agents” 的人需要明确准入规则、交易失败时怎么办、市场活动对参与者可见多少。企业级多 Agent 系统若复制这一模式应把偏好验证、规则执行、失败处理和可见性审计当作一等工程组件而不是只优化提示词。模型能力差异也意味着多 Agent 市场不能把“换模型”当作无关变量需在评估中固定并报告模型版本与指令策略。以上实验是受控的图书交换市场不是生产系统也未直接给出企业部署方案。它的价值在于把多 Agent 交易中的偏好理解、模型差异、市场规则和参与度问题暴露出来。对于要做 agent 间交易或协作的系统Project Swap 更像一份风险清单先解决 agent 是否懂人再讨论市场是否高效。