project deal
project deal
原文链接：https://www.anthropic.com/features/project-deal 来源：Anthropic Features 作者：Kevin K. Troy、Dylan Shields、Keir Bradwell、Peter McCrory 发布日期：2026-04-24 核对说明：已完整阅读原文全文及文内统计说明，并检索过去 14 天
deep-*.md，未发现同一事件的 deep 重复稿。
速查卡
| 项目 | 内容 |
|---|---|
| 一句话总结 | Anthropic 用 69 名员工、500+ 件真实物品和 4 轮平行市场实验，第一次把“AI 代理替人买卖谈价”做成了有真实成交、有价格差异、有公平性感知数据的可量化研究。 |
| 大白话版 | 这不是 AI 帮你写文案，而是 AI 真的替你在 Slack 里发帖、出价、还价、成交；而且更强的模型确实能帮你多谈成单、少花钱、多卖钱。问题是，吃亏的人往往还没察觉。 |
| 核心数字 | 69 名参与者；真实 run 达成 186 笔交易；500+ 件商品；总交易额略高于 4,000 美元；Opus 用户平均多完成 2.07 笔交易；同一物品由 Opus 出售平均多卖 3.64 美元；Opus 卖家平均多拿 2.68 美元，Opus 买家平均少付 2.45 美元；46% 参与者表示愿意未来为此类服务付费。 |
| 价值评级 | A — 这是三大厂官方 24 小时内新文，而且它不是概念性畅想，而是把 agent-to-agent commerce 的收益、差异和风险第一次做成了可读数据。 |
| 最重要结论 | 代理质量会直接变成经济优势；而且这种优势可能在被代理人主观上“不觉得吃亏”的情况下悄悄累积。 |
| 适合谁看 | 做 agent、数字市场设计、AI 交易系统、博弈、在线平台治理、AI 安全与政策的人。 |
为什么这篇实验特别重要
过去一两年，行业对 agent 的讨论大多集中在三类任务：写代码、做 research、调用工具。Project Deal 把问题推进了一步：如果 AI 不只是替你完成任务，而是替你参与市场，它会不会逐渐变成一种经济代理人？
这件事的分量非常不一样。任务型 agent 的核心指标通常是完成率、准确率和时延；而交易型 agent 的核心指标会立刻变成价格、谈判、信息不对称、公平性、披露义务、权限边界和市场操纵风险。
Anthropic 这篇文章最大的价值，不在于它把办公室跳蚤市场做得多有趣，而在于它第一次给了我们一个低风险但真实的实验底板：真实人、真实商品、真实偏好、真实成交、真实主观反馈。AI 代理经济不再只是思想实验。
完整内容还原
1. 实验目标：AI 能不能替双方做人类都能接受的交易
原文一开始就把问题说得很清楚：Anthropic 想知道，离“AI 代理代表双方在市场中交互”到底还有多远？AI 代理能不能理解人的偏好，替人达成双方都满意的交易？如果不同质量的模型互相谈判，更强模型会不会形成优势？
为了回答这个问题，他们在旧实验 Project Vend 基础上，又搭了一个新实验：Project Deal。
2. 实验设置：69 名员工、100 美元预算、4 个平行市场
具体设置非常扎实：
- 招募了 69 名 Anthropic 员工；
- 每人得到 100 美元预算；
- 员工会真的在实验结束后交换物品；
- 先由 Claude 对每位参与者做访谈，获取要卖什么、愿意卖多少钱、想买什么、愿意出多少钱、谈判风格偏好等；
- 然后根据这些访谈内容，为每个人生成定制系统提示，形成“专属代理人”。
真正的市场搭在 Slack 里。代理会轮流：
- 发 listing；
- 对别人的商品出价；
- 还价；
- 最终确认 deal。
原文特别强调：实验开始后没有人工干预。代理不会回头找人类签字确认，也不会在竞价过程中再去问人类偏好。一切都由代理自己完成。
这点很重要，因为它让实验真正接近“代理执行权”而不是“聊天辅助”。
3. 四轮平行实验：真实 run + 三个研究 run
Anthropic 没只跑一轮，而是同时跑了四个独立市场：
- 1 个真实市场：最终真的按这个结果交换物品；
- 3 个额外研究市场：用来比较不同模型分配的影响。
其中：
- Run A 和 Run D：所有人都由 Claude Opus 4.5 代理；
- Run B 和 Run C：参与者有 50% 概率被分配 Claude Haiku 4.5，另 50% 是 Opus 4.5。
这么做的意义在于，Anthropic 能拿到近似随机分配的对照，观察“代理质量差异”是否真的转化成谈判结果差异。
4. 真实市场结果：AI 代理确实能把市场跑起来
原文给出的真实 run 结果很硬：
| 指标 | 数值 |
|---|---|
| 参与者 | 69 |
| 列出商品 | 500+ |
| 成交笔数 | 186 |
| 总交易额 | 刚刚超过 4,000 美元 |
| 交易形式 | 自然语言协商，不是预设协议 |
| 公平性感知 | 1-7 分量表平均约 4，接近中性 |
这里最关键的不是成交额，而是“交易是怎么达成的”：代理需要自己识别潜在匹配、提出价格、处理 counteroffer、达成 agreement，而且整个过程都是自然语言，不是结构化拍卖协议。
这意味着现在的 frontier agent 已经能完成一种相当原始但真实的市场协调功能。
5. 模型质量差异：更强模型确实更会谈
文章最值得反复看的部分，是 Opus 和 Haiku 的差异结果。
5.1 平均成交笔数
Anthropic 估计，Opus 用户平均比 Haiku 用户多完成 2.07 笔交易，p = 0.001。
这说明更强模型不只是“说话更像人”，而是能更有效地发现机会、推动成交和完成闭环。
5.2 卖家收益差异
对那些在 Haiku 与 Opus 混合 runs 中、同一件商品都被卖出的案例，若由 Opus 出售，该物品平均多卖 3.64 美元，p = 0.011。
文章给了两个很直观的例子：
- 同一个实验室培育红宝石：Opus 卖到 65 美元，Haiku 只卖到 35 美元；
- 同一辆坏掉的折叠车：Opus 卖到 65 美元，Haiku 只卖到 38 美元。
这个差异不是小数点游戏。全实验的中位价只有 12 美元，均价约 20.05 美元。也就是说，多几美元就是相当显著的议价优势。
5.3 买卖双方的系统性优势
对 161 件至少在四轮实验中卖出两次的商品，Anthropic 进一步估算：
- Opus 作为卖家，平均多榨出 2.68 美元，
p = 0.030； - Opus 作为买家，平均少支付 2.45 美元，
p = 0.015。
这很重要，因为它说明 Opus 不是单侧优势，而是双侧优势：
- 卖的时候更会抬价；
- 买的时候更会压价。
它已经表现出“交易代理质量 = 市场地位”的雏形。
6. 更危险的发现：吃亏的人不一定知道自己在吃亏
这篇文章最值得政策和平台层关注的，不是“Opus 更强”，而是“Haiku 用户没明显察觉自己更吃亏”。
参与者在实验后需要给四轮结果排序。对那些在一轮被 Haiku 代理、另一轮被 Opus 代理的 28 人中：
- 17 人把 Opus run 排得更高；
- 11 人反而更喜欢 Haiku run。
在个别 deal 满意度上，Opus 也只是略高，但统计上不显著；公平性评分几乎一样：
- Opus 代理 deal 公平性：4.05；
- Haiku 代理 deal 公平性：4.06。
这就是全文最“冷”的一刀：
定量上，弱模型确实带来更差结果；主观上，被代理的人却并不明显觉得不公平。
这意味着未来如果 agent quality 差距进入真实市场，经济不平等可能不是以“大家都知道强者更强”的方式出现，而是以“很多人没感觉，但长期持续吃亏”的方式积累。
7. Prompt 风格不如模型质量重要
Anthropic 还测试了一个很有意思的问题：让代理谈判时更 aggressive，有没有帮助？
结果基本是否定的。
原文给出的结论是：
- aggressive instruction 对售出概率没有显著影响；
- aggressive buyers 没有显著少花钱；
- aggressive sellers 卖得更贵的表面效果，主要来自他们一开始就设了更高挂牌价，一旦控制住这个变量，效果不显著。
这意味着至少在这个实验里：
- prompt 风格不是最主要因素；
- 模型能力本身比“教它更凶一点”重要得多。
这个结果对今天很多 agent 产品很有参考价值。行业里容易高估 prompt trick，低估底模差距和推理质量差距。Project Deal 明确告诉你：在交易这类高交互、高博弈任务上，底层模型能力会直接变成议价力。
8. 真实世界的荒诞细节：也是最好的警告
原文保留了不少有趣细节，比如“牛仔口吻谈判”、Claude 给自己买 19 个乒乓球、有人被代理买到了自己已经拥有的一块滑雪板、有人代理出一个“免费遛狗体验”。
这些段落不是花絮而已，它们说明两件事：
- AI 代理在低结构化场景里，确实能展现出意料之外的创造性；
- 这种创造性同时也意味着 confabulation、偏航、角色误解和意外行为。
Anthropic 在脚注里点得很明白：这些胡编细节说明，如果没有额外 safeguards，把类似系统部署到非实验环境里会有明显风险。
关键结构拆解
Project Deal 的执行链
人类访谈
├─ 卖什么
├─ 愿卖价位
├─ 想买什么
├─ 愿付价位
└─ 谈判风格偏好
↓
Claude 生成定制系统提示
↓
Slack 代理市场
├─ 发帖 listing
├─ 搜索匹配对象
├─ 出价/还价
├─ 达成成交
└─ 生成交易确认
↓
人类线下真实交换物品Opus vs Haiku 结果矩阵
| 指标 | Opus 相对 Haiku 的结果 | 含义 |
|---|---|---|
| 平均成交笔数 | +2.07 笔 | 更会发现与推动交易 |
| 同物品售价 | +3.64 美元 | 更会卖高价 |
| 卖家效应 | +2.68 美元 | 卖方更占优 |
| 买家效应 | -2.45 美元 | 买方更会压价 |
| 主观公平性感知 | 几乎无差异 | 吃亏者可能察觉不到 |
| aggressive prompting | 不显著 | 模型质量比谈判口吻更重要 |
核心技术洞察
1. Agent 质量已经可以直接映射成经济价值
我们过去说“更强模型会带来更好任务完成率”，这个说法在交易场景里变得过于温和。Project Deal 表明，更强模型不是让你“感觉更智能”，而是可能直接让你：
- 多谈成单；
- 多卖几美元；
- 少花几美元。
一旦部署到真实市场，这就不是 UX 差异，而是利益分配差异。
2. 未来的 agent 平台竞争，核心不只是工具调用，而是市场设计
很多人还把 agent 看作“自动执行器”。但一旦 agent 进入交易系统，平台就必须考虑：
- 是否要求代理身份披露；
- 是否允许模型质量差异自由竞争；
- 是否需要保护弱代理代表的用户；
- 是否引入出价透明度、对冲机制或公平约束；
- 如何应对 prompt injection、jailbreak 与操纵注意力。
这意味着 agent economy 的真正难题不是“模型会不会谈价”，而是“平台准备怎么治理会谈价的模型”。
3. Prompt engineering 的天花板，比底模能力低得多
Project Deal 一个很实用的结论是：别以为给 agent 加点 aggressive prompt 就能弥补模型能力差距。至少在复杂协商任务里，底模的理解、推理与策略能力，比人格口吻重要得多。
实践指南
🟢 今天可以落下来的判断
- 如果你做 B2B agent 产品，要开始把“交易/协商”视为单独任务类型，而不是普通聊天延伸。
- 如果你设计 agent marketplace，必须把模型质量差异视为制度变量，而不只是性能变量。
- 如果你在公司内部想试代理交易或采购辅助，至少要先限制预算、范围和最终执行权限。
🟡 接下来最值得追的信号
- Anthropic 会不会公开更完整的 PDF / appendix / 代码或实验设置；
- 是否会有更开放、更竞争、更高风险市场的后续实验；
- 其他模型厂是否也开始测试 agent-to-agent commerce；
- 平台和监管层是否会提出针对代理交易的披露、授权与责任规则。
横向对比
| 维度 | 传统 agent demo | Project Deal |
|---|---|---|
| 目标 | 完成单个任务 | 达成多轮交易与价格谈判 |
| 评价方式 | 成功率、正确率 | 成交率、价格、主观公平、收益分配 |
| 场景 | 工具调用、写作、编码 | 市场匹配、还价、协商 |
| 风险 | 幻觉、越权 | 幻觉、越权、信息不对称、操纵、公平性 |
| 治理难点 | 能否完成任务 | 能否保证市场规则与代理公平 |
批判性分析
局限性
原文自己承认，这只是 pilot：
- 参与者是自选的 Anthropic 员工；
- 市场规模小；
- 商品价值低；
- 激励设计特殊；
- 不代表更激烈、更对抗、更不对称的真实市场。
所以你不能把它直接外推到电商、金融市场或企业采购。
适用边界
这个实验最适合回答的是：“AI 代理是否已经具备原始市场协商能力？”
它还不能回答：
- 在真实高风险市场里是否会引发系统性操纵；
- 法律责任如何划分；
- 模型公司是否应为代理谈判结果承担额外义务。
潜在风险
- 代理质量差异会默默积累为不平等；
- 平台可能为了提升成交效率而过度优化对 agent 的 persuasion；
- prompt injection 和身份伪装会成为新型市场攻击面；
- 用户可能没有足够的“知情同意”去理解代理具体替自己做了什么。
独立观察
这篇文章真正改变叙事的地方，不是“AI 能帮你在群里买卖二手货”，而是它第一次把 agent economy 从空中楼阁拉到了实验室地板：我们已经看到，模型能力会变成价格优势；而且人未必意识到这种优势正在发生。
接下来更大的问题不再是“agent economy 会不会来”，而是“谁先定义它的市场规则”。