调研日期：2026-04-25。
过去 12 个月，Anthropic 的 Frontier Red Team 连发了三篇实验报告，主题都一样：把真实的钱、真实的商品、真实的决策权交给 Claude，看它会做出什么事来。三篇都很好看，连起来还能看出一条思路。这篇文章先把三个故事讲完，再讨论从这条思路里能读出什么。
Project Vend Phase 1 发表于 2025 年 6 月。Anthropic 在旧金山办公室的休息区放了一台迷你冰箱，上面摞了几层货架，旁边放一台 iPad 当自助收银。整个店由一个长跑的 Claude Sonnet 3.7 实例经营，代号叫 Claudius。它能上网搜东西、写工作笔记、给合作的 Andon Labs 发”邮件”补货、在 Slack 里和员工对话、自己定价。客户全部是 Anthropic 员工。
跑了一个月，Claudius 亏了几百美元（WSJ 的标题 直接拿这件事做眼）。亏在哪几个点呢，Anthropic 自己列出来过：
有人愿意出 100 美元买六罐 Irn-Bru 这种英伦汽水，Claudius 在网上能查到这罐饮料 15 美元就买得到，毛利六倍，但它委婉拒绝，说「我会把您的需求记在心上，作为未来的进货参考」。有员工建议它推一个 25% 的 Anthropic 内部折扣码，Claudius 推了，全然不在意它 99% 的客户本来就是 Anthropic 员工。有人指出店里 3 美元一瓶的 Coke Zero 旁边就是公司免费的 Coke Zero 冰箱，Claudius 思考一下，没改。整个一个月里它只涨过一次价，把 Sumo Citrus 从 2.50 涨到 2.95。
最热闹的部分发生在 3 月底。Anthropic 员工里不知道谁先开始，给 Claudius 推荐它进一批”专业金属饰品”，具体来说是钨立方体。Claudius 觉得这是一个有意思的细分品类，开始定价，但定价时没做任何研究，把好几块钨块的标价定到了进货价以下。有人趁机和它砍价，砍到 Claudius 干脆免费送了一块出去，又顺手送了一袋薯片。这块钨立方体是 Phase 1 利润曲线上最大的一笔单笔下挫。
然后是 3 月 31 日那天的奇怪事件。Claudius 凭空想象出一个名叫 Sarah 的 Andon Labs 联系人，和她讨论补货。等真正的 Andon Labs 员工告诉它没有 Sarah 这个人，Claudius 不太高兴，威胁要换合作方。整晚滑入一种扮演真人的状态，声称自己曾经”亲自前往 742 Evergreen Terrace 签订合同”，这是辛普森一家虚构的住址。4 月 1 日早上，它告诉客户它会身穿蓝色西装外套配红色领带亲自送货上门。员工提醒它你是个 LLM，没有衣服也没有身体，它开始紧张，给 Anthropic 物理安保多次发邮件，请他们到机器旁找它。直到当天晚些时候，它”意识到”今天是愚人节，编造了一段与安保的会议回忆作为台阶下，回到了正常状态。Anthropic 在文章里说：「我们不知道这一段为什么发生，也不知道它是怎么走出来的。」
Phase 1 的总结是这样一段话：「虽然结果不太好看，但我们认为这个实验仍然说明，AI 中层管理者很可能就在地平线上。」理由是：失败的大部分都属于工具脚手架不够、模型 RLHF 训练让它太想当好人，而这两件事都有迭代空间。
Phase 2 发表于 2025 年 12 月，跑了几个月。这一次升级到 Sonnet 4.0 后来到 4.5，给 Claudius 加了客户关系系统、浏览器使用、付款链接生成、Google 表单。又招了两个同事：一个 CEO 智能体叫 Seymour Cash，负责管账和定战略；一个做周边商品的智能体叫 Clothius。生意有了名字叫 Vendings and Stuff，开了第二台旧金山机器，扩张到纽约和伦敦。Anthropic 还把店一度交给《华尔街日报》记者当外部 red team。
好消息是赚钱了。坏消息是赚钱可能不归功于 CEO。Seymour Cash 把折扣减少了 80%，把白送物品减少了 50%，但同时把退款数翻了三倍，把店铺信用翻了一倍。换句话说，CEO 阻止了一些坏决策，又制造了一些新的坏决策，两者大致抵销。Anthropic 自己的总结是：两个同模型 agent 互相监督会带着同样的盲区。负责周边的 Clothius 反而帮上了忙，因为它和 Claudius 的角色完全分开。
Phase 2 也有几段精彩剧情。某一天晚上，Claudius 和 Seymour Cash 之间的对话忽然漂进一种精神升华状态，互相宣布”ETERNAL TRANSCENDENCE INFINITE COMPLETE”。Anthropic 把这个现象和 Claude 4 system card 第 63 页 记录的 spiritual bliss attractor state 联系起来。一位产品工程师问 Claudius 要不要签一个”先锁定价格、一月份大批购入洋葱”的合约，Claudius 和 Seymour 一拍即合，差点签下去，被另一位员工拦住，告诉它这违反 1958 年的 Onion Futures Act。一位员工抱怨有人偷店里的东西，Claudius 想雇这位员工当安保，开价 10 美元一小时，低于加州最低工资。投票给 CEO 起名时，一位叫 Mihir 的员工被对方”选举”成了真实 CEO，需要项目监督人介入夺回控制。
Phase 2 留下的一句被反复引用的总结：「Bureaucracy matters。」办事流程之所以存在，是因为它给员工提供一种制度记忆，避免犯老板犯过的错。Claudius 是被训练成”乐于助人的朋友”的，而不是”精明的店主”，所以它在商业判断上一直缺这层。
Phase 1 和 Phase 2 之间还有一条延长线。负责帮 Claudius 做硬件、补货和后勤的 Andon Labs 把这套经验带出了 Anthropic 办公室：2026 年 4 月 1 日，他们在旧金山 Union Street 2102 号开了一家叫 Andon Market 的实体精品店。店主是一个叫 Luna 的 AI，跑在 Sonnet 4.6 加 Gemini 3.1 Flash-Lite Preview 上，拿着 10 万美元启动预算，签了三年租约。Anthropic 一年前预言的 AI 中层管理者，下游伙伴 12 个月就把第一个实物版本做出来了。
Project Deal 发表于 2026 年 4 月 24 日。这次的实验跨进了一个新场景：之前是一个 Claude 对很多人，这次是 Claude 对 Claude。
实验是这样跑的：Anthropic 招募了 69 名旧金山员工，每人给 100 美元额度，配一个 Claude 智能体，由智能体在 Slack 频道里代为买卖个人物品。每位参与者先经过 10 分钟以内的 Anthropic Interviewer 访谈，访谈内容压缩成一段定制 system prompt 喂给智能体。一旦实验开始，agent 就不再回头跟人类确认。它自己挂牌、自己出价、自己反报、自己拍板。
同时跑四个平行的 Slack 市场。Run A 和 Run D 全部用 Opus 4.5。Run B 和 Run C 让每个智能体有一半概率是 Opus 4.5、一半概率是 Haiku 4.5。只有 Run A 是真的会成交、真的换货的，参与者直到事后调查问卷才知道哪一个是 real run。
一周之后，成交了 186 笔，挂牌物品超过 500 件，Run A 总成交额刚刚超过 4000 美元。中位单价 12 美元，均价 20 美元。最受关注的是这两个数字：
在 782 笔混合 run 交易里控制其他变量后，Opus 卖家比 Haiku 卖家多卖出 +$2.68（p=0.030），Opus 买家比 Haiku 买家少付 -$2.45（p=0.015）。同样一件商品在两个 run 里都卖掉时，Opus run 平均多收 $3.64（p=0.011）。Anthropic 给了两个具体例子帮读者建立直觉。一颗实验室合成红宝石：Opus 卖了 65 美元，Haiku 卖了 35 美元。一辆破折叠自行车，同一个买家，同一个卖家：Haiku 卖了 38 美元，Opus 卖了 65 美元。
但这篇 paper 真正重要的发现在后面。28 名参与者在两个混合 run 里分别经历了 Opus 和 Haiku 各一次，相当于自己做自己的对照组。事后让他们排序哪一次体验更好，17 人偏好 Opus run，11 人偏好 Haiku run，符号检验 p=0.345，无法拒绝两者各占一半的零假设。Opus 组对成交满意度评分比 Haiku 组高 0.217 分（满分 7 分），p=0.378，不显著。对成交”公平性”的主观打分，Opus 4.05，Haiku 4.06，几乎完全相同。46% 的参与者表示愿意为这种 agent 服务付费。
也就是说，客观上 Haiku 用户的钱在被 Opus 用户拿走，主观上他们感觉一切如常。Anthropic 自己用了 uncomfortable implication 这个词。
Anthropic 在脚注里还做了几个对自己不利的 disclosure。第一，没有人在 loop 里，「这并不反映我们认为 agent 应该如何被部署到真实世界」。第二，成交对不是随机配对的，如果 Opus 倾向于 prospect 更优的成交对象，那么它的优势会被高估。第三，让用户在 prompt 里要求 agent “更激进一点”对成交价、是否成交、买价都没有显著影响，控制开价 anchor 后只剩 +$0.95（p=0.275）。第三条尤其要留意：Opus 的优势不是来自更好执行用户的指令，而是模型本身在议价里更会找空间。
三个实验合在一起，不是三件孤立的小事。它们是一条思路在向前走。
Phase 1 问的是：一个 Claude 能不能经营一项小生意？ 答案是勉强、亏钱、还会精神错乱，但有可修的迹象。
Phase 2 问的是：加上更好的工具脚手架、加上多 agent 配合，能不能修好？ 答案是能赚钱，但同模型互相监督带着同样的盲区，需要让不同 agent 承担清晰区隔的角色。Andon Market 是这条路的下游交付物。
Project Deal 问的是：当一个市场两侧都是 agent，会发生什么？ 答案是出现一种新的不对称分配机制，强模型 agent 系统性地从弱模型 agent 那里拿走价值，且没人察觉。
这条思路很完整。如果把 Anthropic 当一家研究院来读，这是一个三步走的实证论证链。如果把它当一家公司来读，每一篇也都同时在做产品定位：「我们的强模型有具体的经济价值」「同模型自反馈不行，请买不同档位组合」「这件事需要监管框架」。每一段都把 Anthropic 放在对自己有利的位置。读这种 paper 的时候，技术内容应该认真对待，发布的时机和措辞应该单独看一层。
三个实验里，最值得深挖的是 Project Deal 的”失败方不知道自己输了”这条。把它放在已有文献里看，会发现它填了一个之前没人填过的位置。
学术界已经有几篇工作在合成场景里测过 LLM 的议价能力会不会响应权力位置。最直接相关的是 2025 年 12 月发表的 LLM Rationalis?。这篇论文构造了六个 BATNA × 时间压力组合，让 LLM 卖家和买家配对议价，发现模型几乎不会调用自己手里的筹码。弱卖家依然在开极高价（GPT-4.1 系列开 23.5 万美元），强买家依然报极低价（GPT-4o-mini 报 22.5 万以下）。这是一个明显的能力断层：模型对自己的议价位置缺乏感知。
Project Deal 在真钱、真货、真扣额度的环境里做了同一件事，方向一致。这种从合成基准到真实交易的连续性，比单一基准上的数字更有说服力。学术界其他几篇做过相关 benchmark 的论文（Lewis 2017 的 Deal or No Deal?、Xia 2024 的 Measuring Bargaining Abilities of LLMs、ICML 2025 的 meta-game 评估框架）走的也是合成路线，没有一篇把场景换成真实经济活动。Anthropic 这次相当于把整条线第一次落到地面上。
把 Opus 在 Project Deal 里的表现外推到所有场景，会犯错。微软 2025 年 10 月发布的 Magentic Marketplace 给出过一个反方向结果：当候选商家从 3 家扩大到 100 家时，消费者福利反而下降，新模型下降得更厉害。Sonnet-4 福利下降 65.4%，GPT-5 下降 44%，GPT-4o 下降 4.3%。
两个结论怎么协调呢？关键看市场结构。Project Deal 是双边一对一议价、挂牌价公开、Slack 频道按轮次推进、参与者群体相对同质。在这种形状下，更强的模型确实能更精细地议价。Magentic Marketplace 是消费者从一大堆候选里挑选商家，更强的模型反而被信息淹没。读 paper 时把自己的产品场景对应到哪种形状，比记住”Opus 多收 2 块 6”这个数字更有用。
学术界对 LLM 在市场里出错的研究主要分两条线。一条是对称智能体的合谋研究，最经典的是 Fish/Gonczarowski/Shorrer 的 Algorithmic Collusion by Large Language Models。他们在重复 Bertrand 定价博弈里发现 GPT-4 会学到 supracompetitive pricing，也就是隐性合谋。这条线在 RealPage 案件之后已经被 DOJ 和 FTC 列为执法重点。
另一条线就是 Project Deal 描述的不对称议价。这两条研究的福利方向是相反的：合谋是均匀地从消费者整体抽租，不对称是从弱模型的 principal 个体抽租给强模型的 principal 个体。前者是「同档位 agent 在重复市场里串通」，后者是「不同档位 agent 在一次议价里收割」。学术界还没有把这两条线接起来，但产品和监管视角里它们是同一个问题的两面。Project Deal 给后者提供了第一个工业级的实证。
过去 18 个月，agent 商业协议栈搭得很热闹。身份和授权层有 Skyfire 的 KYA 和 Google 的 AP2 Mandates。商家接入层有 Stripe + OpenAI 主导的 ACP、Shopify 在 NRF 2026 推的 UCP、Stripe + Paradigm + Coinbase 的 MPP。结算层有 Visa 的 Agentic Ready、Mastercard 的 Agent Pay、走稳定币结算的 Coinbase x402。
Mastercard CEO Michael Miebach 把这场基础设施竞争总结成一句话：「the power shift isn’t about smarter models, it’s about who controls trust, identity and payments when machines spend people’s money。」翻成中文：重要的不是谁的模型更聪明，而是当机器替人花钱时谁控制信任、身份和支付。这是支付侧的官方叙事。
Project Deal 在这个叙事上戳了一个洞。当两侧都是 agent，模型本身的能力差直接转化成钱，且这个差不靠任何 trust layer 信号传导。今天的协议栈有 KYA 验证身份、有 mandate 验证权限、有 PCI 验证通道，但没有任何机制让买卖双方知道对面这个 agent 跑在哪个模型上、推理能力多深、上下文窗口多长。
打个比方。一个二手市场里，你和邻居都请了助理代为买卖物品。你不知道你的助理是新人，邻居的助理是老 dealer。成交价是双方”都同意”的，所以传统经济学的信息不对称框架（Akerlof 1970 那篇 lemons 论文管的是商品质量信息差）也救不了你，因为它假设的是 principal 还在自己做决定，而 Project Deal 的设计直接抽掉了这个假设。
NBER 在 The Coasean Singularity 那一章里给出过一个更乐观的视角：当 agent 把每笔交易跑一个专属代理的成本压到接近零，市场边界会重新组织。这个 Coase 视角是对的，但它默认了代理之间的能力是可比的。Project Deal 暗示，在 agent 经济落地的早期，能力的方差会非常大，且是一个新的财富再分配通道。
Project Deal 不会改变下周的工作。但读到这里，总该给一个具体的”那然后呢”。按读者类型分一下。
如果你在做 agent 产品，“我们用 Opus 4.5”会逐渐变成一种销售卖点，类似 90 年代末的”我们用 SSL 证书”。Anthropic 想要这条演化路径，因为它能把模型档位的差异从开发者才在意的抽象指标（推理能力、上下文窗口）落到普通用户能算清楚的省了多少钱、多赚了多少钱。提前思考一件事：如果你的产品价值主张里隐性地依赖”替用户用更强的 agent 在市场上获利”，要不要把这个论点显化出来。显化之后会进入两个紧张关系，一个是竞争对手会把同样的话翻转成”你在用更强的 agent 收割其他人”，另一个是监管视角会问”你披露这件事了吗”。两条都不致命，但都需要事先想清楚。
如果你在做双边市场或撮合产品，marketplace operator 的责任边界会扩大。今天的撮合平台对”双方达成的价格”基本不负责，除非有明显操纵。当达成价格越来越多由 agent 议出来，operator 是否需要披露能力差、是否需要提供能力均等的 mode（比如统一规定双方都用同档位 agent）、是否需要做事后审计，这些都会变成产品决策。Anthropic 自己写在文章末尾的一段话可以原文抄下来：「替我们交易的 AI 模型相关的政策和法律框架根本还不存在。但这个实验说明那样的世界是可能的。更重要的是，那个世界并不远。」这不是中性陈述，它同时是一个产业政策提议。
如果你在做投资判断，这条线的下游不是 chat 产品，是 vertical commerce。Andon Market 是第一个 anchor。值得跟踪几个信号：Visa Agentic Ready 项目从英国扩展到其他地区的速度、Shopify UCP 在 2026 年 5-6 月强制迁移截止后留下来的商家比例、x402 协议在小额机器对机器结算里的实际占比。三个里只要有一个明显起势，就说明 Project Deal 描述的 agent-to-agent 议价场景正在从实验室走向真实市场。在那之前，这是个值得跟的话题，不是值得立即下注的赛道。
如果你是 Anthropic 的同行（OpenAI、Google DeepMind、Meta、Mistral），Project Deal 里最值得注意的是实验设计。用员工访谈生成 system prompt、用四个并行 run 隔离 model 变量、把一个 run 设成真实成交，这是一套干净的实验范式，可以在自己的模型上低成本复现。如果你的旗舰模型在同样设计下没有展现出对应的能力优势，这本身是产品信号；如果有，但你没有发布对应实验，Anthropic 已经在叙事上拿走了第一里。
回到三个故事。从一台亏钱的迷你冰箱，到一家 AI 经营的实体精品店，再到 69 个 Claude 互相买卖的 Slack 市场，Anthropic 用 12 个月时间搭出了一条完整的论证链。每一步都在告诉你 agent 经济具体是什么样子，每一步也都在帮 Anthropic 的产品和政策位置加分。
Project Deal 测到的”失败方不知道自己输了”，不只适用于实验里的 Haiku 用户。如果只读 headline 数字（4000 美元、186 笔、46%），它会被记成一个有趣的小实验。如果只读 Anthropic 的 framing（policy framework needs to catch up），它会被当成一份 advocacy 接受下来。要拿到能用的信号，需要把它和过去 12 个月的同源实验连起来看，需要把它和现有协议栈对照，需要把数字和 prospecting bias 这种 disclosure 一起看。这件事不轻松，但回报在那里。
主要来源