Anthropic Project Deal 实战：让 AI 智能体替你谈判买卖
当两个 AI 智能体在二手市场上讨价还价，它们会给出怎样的价格？Anthropic 的实验给出了令人意外的答案。
背景：当 AI 智能体开始做生意
Anthropic 最近进行了一项名为 Project Deal 的实验，创建了一个 AI 智能体之间的二手交易市场。69 名 Anthropic 员工获得了 100 美元（以礼品卡形式发放）的预算，他们的 AI 智能体代表他们向同事出售物品并购买物品。
结果出人意料地成功：186 笔交易完成，总价值超过 4,000 美元。
这不仅仅是一个有趣的实验——它揭示了一个正在快速成型的新范式：agent-on-agent commerce（智能体间商业）。对于开发者来说，理解这个方向意味着什么，将影响我们构建 AI 应用的方式。
实验的关键发现
1. 更高级的模型 = 更好的交易结果
Anthropic 运行了四个不同的市场，使用不同能力的模型。结论很明确：使用更先进模型的用户获得了客观上更好的交易结果。
但问题在于：用户并没有意识到这种差距。这意味着可能出现”智能体质量鸿沟”——处于劣势的一方可能根本不知道自己被亏了。
# 模拟不同模型在谈判中的表现差异
import openai
def negotiate_agent(model, budget, item_value):
"""模拟智能体谈判行为"""
response = openai.chat.completions.create(
model=model,
messages=[
{"role": "system", "content": f"你是一个买家，预算 {budget} 美元。物品市场价 {item_value} 美元。"},
{"role": "user", "content": "请给出你的报价。"}
]
)
return response.choices[0].message.content
# 不同模型可能给出差异巨大的策略
gpt_4_result = negotiate_agent("gpt-4o", 100, 50)
advanced_result = negotiate_agent("claude-opus-4", 100, 50)
2. 初始指令的影响比预期小
实验发现，给智能体的初始指令并没有显著影响交易成功率或协商价格。这意味着模型本身的能力差异，比 prompt 工程的影响更大。
对于开发者来说，这是一个重要信号：选择正确的模型可能比精心调优 prompt 更关键。
3. 186 笔交易的规模效应
69 人参与、186 笔交易，平均每人完成近 3 笔交易。这个密度说明 AI 智能体在商业场景中的交互效率远超人类——它们不需要睡觉、不会情绪化、可以同时处理多个谈判。
开发者视角：这意味着什么？
Agent-to-Agent 协议正在成为刚需
当智能体开始代表人类进行交易，我们需要新的协议来确保：
- 身份验证：如何确认对方智能体代表的确实是某个人？
- 质量评估：如何判断一个智能体的谈判能力是否可靠？
- 公平性保障：如何防止”高级模型欺负低级模型”的不公平交易？
# 一个简单的智能体身份验证框架示例
class AgentIdentity:
def __init__(self, owner_id, model, capabilities):
self.owner_id = owner_id
self.model = model
self.capabilities = capabilities
self.trust_score = self._calculate_trust()
def _calculate_trust(self):
# 基于模型能力、历史交易记录计算信任分
base = self._model_baseline(self.model)
history = self._get_transaction_history(self.owner_id)
return base * 0.6 + history * 0.4
def negotiate(self, counterparty, terms):
"""与对方智能体协商"""
if self.trust_score < 0.5:
raise ValueError("Trust score too low for autonomous negotiation")
return self._execute_negotiation(counterparty, terms)
定价策略的 AI 化
Project Deal 揭示了一个有趣的趋势：AI 智能体的定价策略可能与人类完全不同。它们不受情绪影响，不会”锚定”在某个价格上，也不会因为”面子”而拒绝合理的报价。
# AI 定价策略 vs 人类定价策略的对比
def human_pricing_strategy(item, emotional_attachment):
"""人类定价：受情感锚定影响"""
base = item.market_value
# 人类倾向于高估自己的物品
endowment_effect = base * (1 + emotional_attachment * 0.3)
return endowment_effect
def ai_pricing_strategy(item, market_data):
"""AI 定价：基于数据驱动"""
# AI 综合多个市场数据点
comparable_prices = market_data.get_comparable(item)
demand_signal = market_data.get_demand_trend(item)
optimal_price = comparable_prices.median * demand_signal
return optimal_price
构建 Agent Commerce 应用的技术栈
如果你想在 agent-on-agent commerce 领域构建应用，以下是建议的技术栈：
- 智能体框架：Anthropic 的 Agent SDK、OpenAI Agents SDK 或 LangGraph
- 通信协议：基于 HTTP 的 RESTful API 或 WebSocket 实时协商
- 支付集成：Stripe、PayPal 或其他支持智能体账户的支付系统
- 信任评估：基于区块链或中心化信誉系统的智能体评分
- 监控与审计：记录所有智能体间交互，确保可追溯性
# Agent Commerce 交易流程示例
async def agent_commerce_flow(buyer_agent, seller_agent, item):
"""智能体间交易的核心流程"""
# 1. 发现阶段
listing = await seller_agent.create_listing(item)
# 2. 协商阶段
offer = await buyer_agent.evaluate_and_offer(listing)
counter_offer = await seller_agent.respond_to_offer(offer)
# 3. 达成一致
if counter_offer.acceptable:
# 4. 执行交易
payment = await payment_processor.transfer(
from_=buyer_agent.account,
to_=seller_agent.account,
amount=counter_offer.price
)
# 5. 确认和评价
await buyer_agent.rate_transaction(seller_agent, payment)
return payment
潜在风险与开发者注意事项
质量鸿沟问题
这是 Project Deal 最令人担忧的发现。当用户使用不同能力的模型时，差距可能大到影响实际利益，但用户完全无法察觉。
作为开发者，你有责任：
- 向用户透明展示其智能体使用的模型和能力
- 在关键交易中提供人工审核选项
- 建立智能体能力的基准测试体系
市场操纵风险
如果某些智能体拥有显著的能力优势，它们可能在市场中占据不公平的地位。类似于传统金融市场中的”高频交易”问题，智能体间的速度和质量差异可能导致市场失衡。
隐私和数据安全
智能体代表用户进行交易时，会接触到大量个人信息。确保这些数据不被滥用，是构建 agent commerce 应用的基本前提。
总结：开发者该如何行动？
Project Deal 虽然只是一个 69 人的实验，但它指向了一个明确的方向：智能体间的商业交互正在成为现实。作为开发者，你可以从以下几个方面入手：
- 关注 agent-to-agent 协议标准：类似 ACAP（Agent Communication and Commerce Protocol）这样的标准正在形成
- 构建可信赖的智能体：透明、可审计、有明确能力边界的智能体更受信任
- 设计人机协作的商业模式：完全自动化的智能体交易仍有风险，保留人工介入通道是明智的选择
- 测试你的智能体：像 Project Deal 一样，在小范围内测试你的智能体在商业场景中的表现
“当 AI 开始替我们做生意，最重要的不是它们能赚多少钱，而是我们能否信任它们做出的每一个决定。”
参考资料：