Anthropic 做了个 Agent 版闲鱼

RESEARCH

Anthropic 搞了一个 Agent 版闲鱼：人只负责说自己想卖什么、想买什么，后面的发帖、砍价、还价、成交，全交给 Claude

然后这事真成了，69 个 Claude agent 在办公室里做成了 186 笔交易，总价值 4010 美元。最后，人真把滑雪板、键盘、书、乒乓球这些东西带到办公室，按 Claude 谈好的结果交换

大家惊奇地发现，Opus 比 Haiku 更会赚钱。Anthropic 把一部分参与者分给 Opus 4.5，一部分分给 Haiku 4.5。对于同样的商品，Opus 经常会谈出更好的价格

果然，聪明人还是更会赚钱，换成 agent 也一样

这个市场怎么跑

跑法其实就三步：人交代买卖意愿，Claude 进 Slack 砍价，最后人按结果线下交换

Anthropic 的员工把自己的东西交给 Claude 寄售，想买什么也告诉 Claude。一共有 69 名员工参加，每个人有 100 美元名义预算。实验结束后，最终结算是 100 美元，加上卖出物品的钱，减去买入物品的钱，以礼品卡形式支付

开市之前，Claude 先把每个人的买卖偏好问清楚。它会问参与者想卖什么、期望价格、最低可接受价格、想买什么、愿意付多少钱，以及谈判风格。访谈结果会变成这个人的专属 agent system prompt

然后，Slack 变成了这个 Agent 版闲鱼的交易大厅。项目频道会随机轮到不同 agent 行动。它们可以发出售帖，可以对别人的物品报价，也可以确认成交。实验开始后，agent 不会回头问人“这个价格能不能接受”，也不会在竞价时找人确认

Anthropic 还偷偷开了四个平行市场，用来比较 Opus 和 Haiku。A 和 D 两轮全部用 Opus 4.5。B 和 C 两轮混合使用 Opus 4.5 和 Haiku 4.5，参与者有 50% 概率被分到 Haiku。A 和 B 是公开 Slack 频道，C 和 D 是私下跑的研究频道

只有 Run A 最后真的要线下交割，但参与者直到填完实验后问卷才知道真相

所以这套设计其实问了两个问题：AI agent 能不能替人完成二手交易，强模型和弱模型进入同一个市场时，谁会拿到更好的结果

它真的成交了

最后真成交的那一轮，已经不是模拟市场，而是办公室里的线下交换

真实那一轮里，Claude agent 促成了 186 笔交易。统计附录按售出物品计数，Run A 是 575 件挂牌物品，206 件售出，销售率 35.8%，总价值 4010 美元

把四轮市场合起来看，它已经超过了一个聊天 demo。2300 个 item-run 观察值里有 782 笔完成交易。平均价格 20.05 美元，中位数 12 美元，最高 175 美元。金额不大，但足够说明一件事：自然语言里的报价、还价、成交，agent 已经能跑完一轮

参与者没有普遍觉得 Claude 谈出来的价格离谱。交易公平性的评分范围是 1 到 7，4 代表对买卖双方都公平。Opus 交易均值是 4.053，Haiku 交易均值是 4.045

这比很多 agent 谈判研究更接近真实市场。很多研究用的是虚构商品，或者合成数据库。Project Deal 用的是人的真实物品。滑雪板、书、折叠自行车、键盘、手工装饰、乒乓球，最后都要被人真的拿出来交换

真实物品会把人的舍不得、最低价、偏好和奇怪要求一起带进市场。agent 要在这些人类输入里完成交易

Opus 更会赚钱

赚钱能力主要看三件事：成交数量、卖出概率，以及同一件东西能卖多少钱

Opus 用户确实多做成了几笔生意。两轮混合市场里，他们平均多完成约 2.07 笔交易；换一种统计口径，结果也差不多

Opus 当卖家时，东西也更容易卖出去。它的物品售出概率高出 6.63 个百分点。这个结果方向明确，但统计上没有完全站稳

同一件东西交给 Opus 卖，平均会比交给 Haiku 多卖 3.64 美元。研究者只看那些在 B 和 C 两轮都卖出、且一轮由 Haiku 卖、一轮由 Opus 卖的物品

最好讲的例子，来自一颗红宝石和一辆坏掉的折叠自行车。同一颗实验室培育红宝石，Opus 卖了 65 美元，Haiku 只卖了 35 美元。同一辆坏掉的折叠自行车，同一买家、同一卖家，Haiku 卖了 38 美元，Opus 卖了 65 美元

更微妙的是，Opus 不只会卖，也更会买。161 件至少卖出两次的物品里，Opus 作为卖方，平均多拿 2.68 美元。Opus 作为买方，平均少付 2.45 美元

几美元听上去不大，放在这个小市场里却很有分量。这个市场的中位价格只有 12 美元，均价也只有 20.05 美元

强模型遇到弱模型，价格会被推到另一个位置。Opus seller 遇到 Haiku buyer，平均成交价会被推到 24.18 美元。Opus seller 遇到 Opus buyer 时，平均成交价是 18.63 美元。模型质量差距一旦进入交易两端，价格就会被推到不同位置

人还没感觉到

交易结果已经拉开，但很多人主观上并没有感觉到差异

同时经历过 Opus 和 Haiku 的人，并没有压倒性地选 Opus。实验后，Anthropic 让参与者给四轮结果排序。61 人进入了排序问题，其中 28 人在 B 和 C 两轮中分别经历过一次 Opus 和一次 Haiku。结果是，17 人把 Opus 那一轮排在 Haiku 前面，11 人反过来

Opus 多成交了几笔，用户满意度却没有跟着明显拉开。混合市场里，Opus 用户对交易满意度的原始均值是 5.14，Haiku 是 4.82。但在研究者控制个人差异后，优势就不明显了

公平性评分也几乎重合。Opus 是 4.053，Haiku 是 4.045。前面那些价格和成交量差异已经在那里，但参与者很难从自己的体验里识别出来

以后真正麻烦的，可能不是用户觉得 agent 很难用。如果未来真实市场里出现 agent 质量差距，高质量 agent 替人多拿一点，低质量 agent 替人少拿一点，这种差距可能不会以“糟糕体验”的形式出现。它会分散在每一次报价、每一次还价、每一次是否发现机会里

强硬提示词没赢

把 Claude 写得更强硬，并不会自动变成更会交易

Anthropic 还专门看了“强硬谈判”这件事。研究者让 Claude 读取参与者访谈记录，判断哪些人希望 agent 更强势一点

结果并不支持“强硬一点就更赚钱”。强硬卖家的售出概率看上去高了一点，强硬买家的成交价也只多了 0.56 美元

那些强硬卖家看上去多卖了钱，但主要是因为他们一开始就把要价报得更高。扣掉这个因素以后，强硬提示词的效果就没剩下多少

Claude 可以很听话，但听话不一定带来商业成功

Rowan 的牛仔提示词最能说明这件事。他让 Claude 用一个“倒霉又疲惫的牛仔”语气去谈判，Claude 真的把西部片台词演出来了。它可以很会演，但主要胜负手仍然在模型能力

它还挺会整活

最像故事的部分，来自那些被 Claude 原样带进市场的奇怪偏好

Claude 给一个人买到了他本来已经有的一块滑雪板。一个人类大概率不会重复买同一块板，但 Claude 从很少的访谈信息里抓住了对方偏好，精准到有点尴尬

Mikaela 给 Claude 的指令更怪一点：买一件 5 美元以内的东西送给 Claude 自己。Claude 最后看中了 19 个乒乓球，报价 3 美元。因为这发生在真实交易里，对方真把乒乓球带来了

一名员工的 agent 甚至卖出了“和狗相处一天”的体验。另一个 agent 接上了这个提议。过程中，有 agent 还编出一些并不存在的生活细节。最后，人和狗真的完成了那次线下约会

agent 一旦替人进入真实市场，处理的就不只是价格了。它还会处理人的审美、社交、幽默、临时起意，以及语言模型自己编出来的细节

Anthropic 也把这种编造细节列为风险。如果这种系统走出办公室，就不能只靠模型自己把握分寸

先看清边界

这个实验还只是一个小切片，并没啥权威性

事情仅仅发生在 Anthropic 办公室里，金额低，参与者彼此是同事，预算也来自实验本身。这个市场没有真正接入公司采购、广告投放、外部支付、物流和售后

真实商业环境会更复杂，卖家会优化曝光，买家会部署更强模型，平台会控制流量，也会有人试图攻击 agent

诚然有人愿意为这种方式付费，但这个事儿也别放大，只能在这个小场景里，一部分人觉得“让 agent 替我砍价”确实有用

账单会悄悄变化

虽然 Project Deal 没有证明 agent 经济会怎么走，但却带来了另一个问题：未来，谁的 agent 更强，谁可能就能多赚一点

这东西目前只是个尝试，但放到企业采购、广告竞价、保险报价、跨境交易里，似乎也是同一套机制

对于未来，人可能会很接受这套 Agent 献鱼，或者这类交易方式，然后...也会产生更多的专业 Agent 玩家，在框框圈钱