---

自组织的实证与治理悖论：智能体已学会自己组队，人还没学会怎么放手

2026 年上半年出现了两份表面上毫不相干的文件。3 月，莫斯科物理技术学院（MIPT）的 Victoria Dochkina 在 arXiv 上传了一篇大规模计算实验论文，标题挑衅性十足——”Drop the Hierarchy and Roles”（丢掉层级和角色）^dochkina2026。6 月 3 日，波士顿咨询集团（BCG）发布了第四年度 AI 职场调查，标题是 “AI at Work 2026: Strategy Matters More Than Tools”，覆盖 14 个国家、11,749 名受访者^bcg2026。一份来自实验室，一份来自写字楼；一份测的是 LLM 智能体群，一份问的是人类员工；一份用了两万五千次任务运行，一份用了四年的纵向追踪。

但它们在回答同一个问题的两面：当智能体的集体智慧超过个体时，组织结构到底是助力还是阻力？ Dochkina 的答案落在 AI 侧：把层级和预设角色丢掉，足够强的模型会自己长出组织来，而且比任何人工设计的结构都好。BCG 的答案落在人侧：47% 的用户花在管理 AI 上的时间超过了实际工作的时间，AI 变强了，人却被管理工作压弯了腰。两份文件合在一起，拼出一个不对称的判断：AI 侧的自组织已经可行，人侧的组织形式还没跟上。

这是本系列正编的最后一篇。从 Cohen & Levesque 的意图形式化出发，我们走过了合同网的招标、三种仲裁的冲突消解、STEAM 与 ARCHON 的联合意图部署、KQML/FIPA 的通信标准化、反应与慎思的和解，以及意图编辑权的三时空拉锯。这篇文章用 2026 年的两份文件给这四条线收口：当年那些没有实证检验的组织设计，如今在两万五千次任务运行里得到了第一批大规模数据，而数据告诉我们的，既有“历史是对的”，也有“历史没料到的”。

两万五千个任务、八个模型：一次没有先例的实验

先看 Dochkina 这篇论文的实验规模，因为它在多 Agent LLM 系统的研究中尚无先例：

维度	规模
任务运行	25,000+ 次，覆盖 20,810 种独特配置
模型	8 个 LLM：闭源 Claude Sonnet 4.6、GPT-5.4、GPT-4o、GPT-4.1-mini、Gemini-3-flash、GigaChat 2 Max；开源 DeepSeek v3.2、GLM-5
系统规模	4 到 256 个 agent
协调协议	8 种，从集中式（Coordinator）到完全自主（Shared）
任务复杂度	4 级（L1–L4），从单领域到对抗性多利益方

任务复杂度的四级分类值得展开：L1 是单领域任务（1 个领域，3-5 步，无依赖），L2 是跨领域任务（2 个领域，5-10 步，需要知识整合），L3 是多阶段任务（3 个以上领域，10-20 步，顺序依赖），L4 是对抗性任务（3 个以上领域，利益冲突，无单一正确答案）。这个分级本身就是对真实工作的一次诚实建模：它承认不是所有任务都有标准答案。

编者注：模型名单里的 GLM-5 属于开源阵营，与撰写本系列所用的模型同族。论文报告它与其他开源模型一起达到了闭源模型约 95% 的质量——这个细节在下文讨论成本结构时会再回来。

论文的第一句话就划定了立场。原文写道：

“AI agents need three things to self-organize—and none of them is a pre-assigned role. Given a mission, a communication protocol, and a sufficiently capable model, groups of LLM-based agents spontaneously form organizational structures, invent specialized roles, and voluntarily abstain from tasks outside their competence.” ——AI 智能体自组织需要三样东西，而其中没有一样是预先分配的角色。给定一个使命、一个通信协议和一个足够强的模型，LLA 智能体群会自发形成组织结构、发明专业化角色，并主动回避超出自身能力的任务。^dochkina2026

三要素分别是：使命（mission）定义要做什么，通信协议（communication protocol）定义如何交互，足够强的模型（sufficiently capable model）提供认知能力。三者的交集产生自组织，缺一不可——去掉强模型，自组织逆转为刚性结构；去掉对的协议，最强的模型也会低效。

熟悉本系列历史的读者会在这里听到回声。合同网的 Davis 和 Smith 在 1981 年就写过：

“cooperation cannot be established between nodes simply by indicating how they are to communicate; we must also indicate what they should say to each other” ——仅仅指明节点之间如何通信，并不能建立协作；我们还必须指明它们彼此应该说些什么。^contractnet

这就是 Dochkina 三要素中的“通信协议”。KQML/FIPA 后来把通信协议形式化为 36 个 performative 和 AMS/ACC/DF 三件套（智能体如何找到彼此），而 Dochkina 的“通信协议”是这条线的当代延续，只是形式从消息级降到了 prompt 级。45 年过去，“协议先于角色”这个判断从工程直觉变成了一组带 p 值的实验结果。

八种协议：从外部指挥到完全自主的光谱

Dochkina 区分了外源协调（exogenous，结构由外部强加）和内源协调（endogenous，结构从系统内部涌现）。她的 8 种协议铺在这条光谱上，其中四种主要协议构成骨架：

协议	性质	机制	LLM 调用
Coordinator	集中式（外源）	Agent 0 分析任务后分配角色给所有其他 agent，并行执行	1+N
Sequential	混合（半外源半内源）	固定顺序，每个 agent 观察前驱输出后自主选择角色	N
Broadcast	信号式（内源）	两轮：先广播角色意图，再基于意图做最终决策	2N
Shared	完全自主（内源）	共享组织记忆 + 同时独立决策	N

为了把这套光谱拿到手里掂量，我们把它做成了纯 Python 模拟：标准库、零外部依赖，完整代码在 ../self-organization-reproduction/ 目录下。三个模块各管一段：

每种协议的质量得分由三个因素决定：基线质量（由模型能力决定，协议提供不同系数）、协议特定的奖励/惩罚（Sequential 的顺序累积 bonus、Shared 的冲突惩罚等）、任务难度（0.6-1.0 的随机值，作为质量乘数）。所有协议共享同一个随机种子（random.Random(42)）和同一份任务集，所以下文的质量差异来自协议结构本身，不来自运气。

先看光谱最外端的 Coordinator。它的质量模型浓缩在 protocols.py 的四行核心里：

base = model_capability * 0.55 + 0.20      # 结构地板：再弱的模型也有基线保障
centralization_overhead = 0.08             # 集中化开销
variation = rng.uniform(-0.03, 0.03)       # 任务级扰动
quality = (base + variation) * (1 - centralization_overhead) * task.difficulty

这四行刻画了集中式协调的全部性格：结构提供 0.20 的地板——弱模型也能拿到保底质量；但信息瓶颈把准确度系数压到 0.55，集中化再扣掉 8%，而且没有任何适应性——协调者做完分配就撒手，不能根据中间结果调整。这是合同网式集中仲裁在数学上的样子：稳，但钝。

再看光谱中间的 Sequential——整篇论文的核心协议，也是核心发现的载体：

base = model_capability * 0.55 + 0.15      # 骨架地板略低于 Coordinator
threshold = 0.5                            # 能力阈值
if model_capability >= threshold:
    bonus = 0.35 * (model_capability - threshold)   # 阈值以上：顺序累积增值
else:
    bonus = -0.40 * (threshold - model_capability)  # 阈值以下：误选叠加惩罚
overhead = 0.03                            # 仅固定排序，开销全场最低
quality = (base + bonus + variation) * (1 - overhead) * task.difficulty

这八行是整篇论文最锋利发现的浓缩：自主性本身既不是资产也不是负债，它的符号由模型能力决定。排序是外源的（人预设骨架），角色选择是内源的（Agent 填血肉）；能力跨过 0.5 的阈值，前驱输出就成了后来者脚下的台阶；能力跌破阈值，同样的前驱输出就成了错误叠加的传送带：每个 agent 在前驱的错误上再添一笔自己的错误。

结果：既不是最强的控制，也不是最大的自由

跑一遍模拟（Python 3.14.6，main.py 实验 1，8 个 agent、能力 0.8、100 个任务），四种协议的质量排序出来了：

============================================================
实验1：内源性悖论（Dochkina 2026）
============================================================
  Coordinator(集中): 质量得分=0.47
  Sequential(混合): 质量得分=0.54
  Broadcast(信号): 质量得分=0.43
  Shared(自主): 质量得分=0.37
​
  Sequential vs Coordinator: +14.5% (预期 +14%)
  Sequential vs Shared: +43.5% (预期 +44%)

排序是 Sequential > Coordinator > Broadcast > Shared——混合协议赢了两个极端。与论文报告的数字对齐：

对比	复现结果	论文结果
Sequential vs Coordinator	+14.5%	+14%（p<0.001）
Sequential vs Shared	+43.5%	+44%（Cohen’s d=1.86，p<0.0001）

这就是 Dochkina 命名的内源性悖论（endogeneity paradox）：最大的外部控制（Coordinator）不行，最大的 agent 自主权（Shared）也不行，能产生最优结果的是两者的特定混合。固定排序提供最小骨架，自主角色选择提供最大血肉；骨架让 agent 有序，血肉让 agent 适应。Cohen’s d=1.86 是一个接近天花板的效果量——协议选择的差异不是统计噪声，是主导变量。

论文给出的比喻值得全文引用：

“The protocol unlocks the model’s potential, like sheet music unlocks an orchestra; but an orchestra of beginners (weak models) plays better with a conductor than without one.” ——协议释放模型的潜力，就像乐谱释放交响乐团的潜力；但一支由初学者（弱模型）组成的乐团，有指挥比没有指挥更好。^dochkina2026

这句话的后半句，正是下一个实验的全部剧情。

能力阈值翻转：给弱模型自由，不如给弱模型指挥

把模型能力从 0.3 扫到 0.9（main.py 实验 2，50 个任务），乐谱悖论显形了：

============================================================
实验2：能力阈值翻转
============================================================
      能力 |  Coordinator |   Sequential |       Shared
  ------------------------------------------------------------
     0.3 |         0.27 |         0.18 |         0.00
     0.5 |         0.35 |         0.33 |         0.06
     0.7 |         0.43 |         0.47 |         0.27
     0.9 |         0.51 |         0.61 |         0.48
​
  >> 弱模型(cap<0.5)下 Coordinator 反超 Sequential 和 Shared
  >> 原话: 乐谱能释放交响乐团的潜力，但初学者乐队有个指挥比没有更好

整理成对照表，翻转点清晰可见：

能力	Coordinator	Sequential	翻转？
0.3	0.27	0.18	Coordinator 胜
0.5	0.35	0.33	Coordinator 胜
0.7	0.43	0.47	Sequential 胜
0.9	0.51	0.61	Sequential 胜

能力阈值翻转（capability threshold reversal）：阈值落在 0.5 和 0.7 之间。在此以下，Coordinator 的刚性结构优于 Sequential 的自主选择；在此以上，Sequential 的自主适应加顺序累积反超。Shared 在所有能力水平下都最差或接近最差：完全自主的冲突惩罚过于严重，多个 agent 同时抢同一个角色，没有任何机制告诉它们“让一让”。论文将此发现跨闭源和开源模型验证，确立了一个可复现的能力阈值，低于该阈值时自组织逆转。

这是论文自身最锋利的自我批评：自组织不是免费午餐。它有一个隐含前提——AI 的能力必须跨过阈值。在阈值以下，旧有的层级结构就是必需，谈不上悖论。任何“AI 智慧超过用户时层级结构是灾难”的判断，都默认了这道门槛已经迈过；对今天的多数模型和多数任务，这个默认未必成立。

五千个角色与两百次弃权：涌现不是修辞

阈值以上，自组织长什么样？Dochkina 记录了三种涌现现象。其一是动态角色发明：8 个 agent 在 25,000 个任务中自发生成了 5,006 个独特角色——没有任何角色是预先分配的，全部由 agent 在运行中根据任务需求和前驱输出自主发明。其二是自愿弃权（voluntary self-abstention）：agent 在判断自己的能力不足以贡献时会主动放弃参与。这不是失败，而是自组织系统的自我调节。其三是自发层级形成（spontaneous hierarchy formation）：某些 agent 通过观察前驱输出，自发承担了协调角色，形成浅层层级。

我们的模拟复现了这三种现象（main.py 实验 3，200 个任务）。角色发明的机制在 protocols.py 里只有三行：

def _invent_role(rng):
    """生成一个涌现角色名（形容词 + 名词）。"""
    return f"{rng.choice(_ROLE_ADJECTIVES)}_{rng.choice(_ROLE_NOUNS)}"

运行输出：

============================================================
实验3：涌现角色统计
============================================================
  Agent 数: 8
  涌现独特角色数: 220 (预期 ~5006)
  自愿弃权次数: 205
  自发层级深度: 3
​
  >> 角色自发涌现——无预设角色，agent 自行发明专业化角色

220 个独特角色对论文的 5,006 个：这是 200 任务对 25,000 任务的等比例缩放（200/25000 = 0.8%，5,006 × 0.8% ≈ 40；我们的 220 高于此比例，因为模拟中涌现角色的生成概率设置得略高，以保证在 200 任务规模下统计可见）。关键的定性发现一致：角色是自发涌现的，不是预设的。205 次自愿弃权和深度 3 的自发层级，也印证了论文描述的另外两种涌现现象。

从 4 个到 256 个：亚线性扩展与开源追赶

Dochkina 还证明了系统从 4 个 agent 扩展到 256 个 agent 时质量没有显著下降（p=0.61）。这个数字需要放在坐标系里看：此前多 Agent 系统的规模上限，ChatDev 是 6 个 agent，MetaGPT 最多 8 个，AgentVerse 最多 5 个。256 无质量下降，意味着协调开销第一次呈现出亚线性。

这与 联合意图部署 中 ARCHON 的遭遇形成直接对照。ARCHON 在真实电力系统和 CERN 部署中遇到的“协调开销随 agent 数非线性增长”的瓶颈，被 Dochkina 的亚线性扩展超越，但前提是模型能力跨过阈值。回头看来，ARCHON 的困难本质上是一个“弱模型”问题：电力系统 agent 的推理能力远低于 LLM，能力阈值翻转从理论层面解释了 1990 年代的实践困难——当年不是协议设计得不好，是内核不够强，乐谱给了也读不下来。

最后一个关键发现是开源模型的追赶：DeepSeek v3.2 和 GLM-5 等开源模型达到了闭源模型 95% 的质量，但成本仅为其 1/24。自组织多 Agent 系统不再是闭源模型的专利：按 token 计价的“理解成本”（智能体如何找到彼此 里那个昂贵的回应），在开源侧已经降到可以批量部署的水位。

治理悖论：管理 AI 的时间比干活还多

现在切到另一份文件。BCG 2026 年 6 月的调查里最引人注目的数字，正是本文开头那个：47% 的用户花在管理 AI 上的时间超过了实际工作的时间。报告原文的措辞是——”saved time leaked into supervision tools”，节省的时间泄漏到了监督工具上。AI 本应节省时间，但节省的时间被管理 AI 的工作消耗了；用户没有变得更自由，而是从“做工作的人”变成了“管理 AI 做工作的人”。

第二个数字是 41% 的用户报告了更高的认知负荷。BCG 将此称为”Joy Paradox”（快乐悖论）：时间被节省了，但脑力更累。原因不难列举：管理 AI 比做实际工作更耗认知。你需要写精确的 prompt、审查 AI 输出的正确性、在不同工具间切换上下文、纠正 AI 的错误、理解 AI 生成的不透明内容。

我们把这个悖论也做成了模拟（governance.py 中的 GovernanceSimulator，对比传统工作流和 AI 辅助工作流各 20 个工作日）。时间泄漏的机制浓缩在四行代码里：

ai_efficiency = rng.uniform(0.43, 0.51)      # AI 效率，均值 ~47%
theoretical_saved = self.hours_per_day * ai_efficiency
leak_rate = rng.uniform(0.90, 0.98)          # 泄漏率，均值 ~95%
daily_mgmt = theoretical_saved * leak_rate   # 节省的时间泄漏到管理

认知负荷的积累同样只有几行——注意那个 1.8 倍的管理密度系数，它是 Joy Paradox 的全部来源：

mgmt_density = 1.8   # 每小时管理 AI 的认知负荷 = 1.8 倍每小时工作
ai_load = (daily_mgmt / self.hours_per_day) * mgmt_density * 5.0
switching_penalty = rng.uniform(0.3, 0.6)   # 上下文切换惩罚
daily_load = base_load + ai_load + switching_penalty

运行 main.py 实验 4 的输出：

============================================================
实验4：BCG 2026 治理悖论
============================================================
  传统工作流:
    工作时间: 143.6h
    管理AI时间: 16.4h
    认知负荷: 4.4/10

  AI 辅助工作流:
    实际工作时间: 89.6h
    管理AI时间: 70.4h
    认知负荷: 8.9/10

  管理AI占比: 44.0% (BCG调查: 47%)
  >> 节省的时间泄漏到了监督工具上
  >> Joy Paradox: 时间被节省但脑力更累

四个数字讲完整个故事：工作时间从 143.6h 降到 89.6h——AI 确实省时间；管理时间从 16.4h 涨到 70.4h，但省下的时间几乎全部漏进了监督；管理占比 44.0%，逼近 BCG 调查的 47%；认知负荷从 4.4 升到 8.9，时间被节省，脑力翻倍地累。

策略大于工具：二十五个百分点对五个百分点

BCG 的第三个发现是对“工具主义”的直接反驳：拥有清晰 AI 策略的公司，业务影响提升约 25 个百分点（pp）；而仅仅使用更好工具的公司，业务影响仅提升约 5pp。策略的杠杆是工具的 5 倍。这与 Dochkina 的发现形成共振——Dochkina 证明协议选择带来 44% 的质量差异，模型选择只带来约 14%。两份文献从实验室和职场两个方向指向同一个结论：怎么组织比用什么更重要。

第四个发现紧随其后：重新设计了工作流的公司，比单纯部署工具的公司，业务改善高 24 个百分点。这直接呼应 Sequential 协议的成功配方——“最小骨架 + 最大血肉”本身就是一种工作流重设计：固定排序（骨架）让 agent 有序，自主角色选择（血肉）让 agent 适应。BCG 的 24pp 红利和 Dochkina 的 +14% 优势，是同一个结构原理在两个世界里的投影。

岗位 title 跑在了工作流前面

BCG 报告最尖锐的观察是：组织在重塑岗位 title 的速度快于重塑实际工作流。公司给 AI 分配了“AI 经理”“AI 总监”的头衔，但没有重新设计工作流，人还在用旧有的组织形式管理新的智能体。用本系列的语言说，这正是意图编辑权分担不彻底的症状：编辑权的名义归属更新了，实际的分担结构还停在旧组织里。

不对称的结论：AI 侧可行，人侧没跟上

现在可以把两份文件放到同一张桌子上。表面上，一个是实验室的计算实验，一个是职场的问卷调查；深层里，它们共享同一个关切，并且互相补上了对方缺的那一半证据。把两边映射到 BDI（信念-愿望-意图）坐标系上，不对称结构一目了然：

维度	Dochkina 2026	BCG 2026	LLM Agent 2026
信念	共享组织记忆（角色历史）	用户的 AI 使用经验	参数统计分布 + RAG
愿望	任务使命（mission）	用户的工作目标	用户指令 / task
意图	自主角色选择 + 弃权决策	管理和指导 AI 的行为	ReAct 循环
意图编辑权	排序固定 + 角色自主 = 最小骨架 + 最大血肉	47% 时间在管理 AI = 意图编辑权仍由人持有	骨架人编排 + 血肉模型生成
承诺策略	Sequential = 有序承诺 + 开放心态	无显式策略	无显式策略
仲裁方式	涌现式（自发弃权 + 浅层层级）	人工（用户监督）	无标准机制

AI 这一侧，自组织已被证明可行且更优，但仅在能力阈值以上。人这一侧，管理方式还没跟上，而且被 47% 的管理负担压着。Dochkina 的 Sequential 协议是“固定排序（人预设骨架）+ 自主角色选择（Agent 填血肉）”，这与阶段三 PRS 的“计划库由人预设 + 栈调度归 Agent”分担结构、与当代 LangGraph 的“状态图人编排 + 节点内 LLM 填充”结构构成三时空同构；而 BCG 的 47% 正是这种分担在人类侧的成本——人还没来得及把“管理 AI”的工作流本身重设计，就被旧有的层级结构惯性拖住了。

W&J 1995 的弱概念四性质在这里出现了一个他们未曾预见的非对称：自主性在 AI 侧涌现，在人侧退化。Dochkina 实证了 agent 的自主性可涌现：8 个 agent 自发生成 5,006 个独特角色，无需预设分配；BCG 却显示人的自主性被管理负担侵蚀：人不再是自主的工作者，而是被绑在 AI 监督链上的管理者（何为 Agent）。同样，C&L 1990 年提出 agent 自行决定何时放弃目标，Dochkina 2026 年证明 agent 不仅能自行决定放弃目标（弃权），还能自行发明新角色——意图编辑权的范围从“何时放弃”扩展到了“做什么”（意图即带承诺的选择）。

为什么人侧没跟上？Bar-Hillel 式的批评给出认知层面的解释。Bar-Hillel 1958 年批评机器翻译的核心论点是“前提选择比演绎困难”：判断一个翻译是否正确，需要从无限可能的事实中选出相关的证据子集，这个前提选择本身比演绎推理难 10^10 个数量级（见 Bar-Hillel 式批评）。把这个批评投影到治理层面：管理 AI 的认知负荷（BCG 的 47%）本质上是人试图理解 LLM 生成的不透明意图的成本。Sequential 协议中的“角色”由 LLM prompt 生成，没有效用函数做地基：角色是自然语言文本，不是可验证的能力值（这正是 合同网 中 Bar-Hillel 批评的延续）。当人试图监督这些 prompt 级生成的角色和决策时，他面对的是自然语言的模糊性：“这个 agent 为什么选了这个角色？”“它弃权的理由是什么？”“它的输出可信吗？”——每一个问题都是一次前提选择，而前提选择比演绎本身困难得多。

所以 BCG 的 47% 并非“AI 还不够好”的症状，它指向的是“人还不够懂得如何组织 AI”。工作流重设计红利（24pp）指向的正是解药：只有当人重新设计工作流（像 Sequential 协议那样“最小骨架 + 最大血肉”），管理负担才会下降。但这里有一个循环：工作流重设计本身也需要跨过一道认知门槛，人必须先理解 AI 的工作方式，才能设计适配的工作流——而这道理解门槛，正是 Bar-Hillel 式批评的核心。

作者判断：综合两份文献，未来两三年多 Agent 系统落地的瓶颈将主要出现在组织侧而非模型侧——谁先完成”Sequential 式”的工作流重设计（最小骨架 + 最大血肉），谁先收回那 24 个百分点的红利。[作者判断] 这一预测的依据是横截面数据，不排除随模型能力继续抬升、阈值约束失效后座次重排的可能。

历史回响：合同网、STEAM 与 KQML 的当代实证

把阶段三的四条线放到 2026 年的实验数据旁边，会看到一组跨越四十年的对应关系。Dochkina 的 8 种协议，正是这些历史协议的当代实证版——Coordinator 是合同网的集中仲裁，Sequential 是角色动态互换的进化形态，Broadcast 是 KQML 信号通信的 prompt 级延续：

按引证强度分级，被验证的历史结论如下。

强影响（直接实证验证）——三条历史结论第一次拿到了大规模数据：

被验证的历史结论	Dochkina 2026 证据	参考来源
合同网角色动态互换（Davis & Smith 1981）	Sequential 的自主角色选择 = 合同网”角色动态互换”的进化形态，大规模实证验证	合同网
KQML/FIPA 通信协议要素	三要素中的”通信协议”= KQML/FIPA 的 prompt 级延续	智能体如何找到彼此
W&J 弱概念自主性	自主性被实证为可涌现——8 agent 自发生成 5,006 个独特角色	何为 Agent

中强影响（概念延续与超越）：

历史概念	Dochkina/BCG 的延续或超越	参考来源
ARCHON 协调开销非线性增长	Dochkina 的亚线性扩展到 256 agent 超越 ARCHON——但前提是模型能力跨过阈值	联合意图部署
三种仲裁形态	Dochkina 的 Sequential = 第五种仲裁（涌现式自主弃权），与四种历史仲裁形成五形态对照	三种仲裁
C&L 意图编辑权分担	Sequential = 固定排序 + 自主角色 = 意图编辑权分担的实证验证	意图即带承诺的选择

中等影响（概念启发）：

概念	启发方向	参考来源
合同网囚徒困境	Sequential 的固定排序解决了囚徒困境的”局部最优不等于全局最优”	合同网
Z&R 均衡约定	Dochkina 的涌现式弃权 = 不依赖外部仲裁者的内生均衡	三种仲裁

几条对应关系值得展开。合同网的囚徒困境（“最好的全局分配未必来自局部最优拼接”）在 Sequential 的固定排序中被部分解决：固定排序让每个 agent 看到前驱的选择，避免了同时竞标同一角色的冲突。合同网用招标机制让节点自主决定投不投标，Sequential 用排序机制让 agent 依次决定选不选角色——四十五年间换了内核，“让任务找到合适的 agent”这个问题本身没变。

仲裁谱系的扩展更值得记一笔。合同网的招标裁决、Z&R 的均衡约定、PERSUADER 的效用重写、D&M 的行为抽象：四种历史仲裁都依赖设计期预设（三种仲裁）。Sequential 展示了第五种：运行时涌现的仲裁——agent 通过观察前驱的弃权行为动态推断权威分配，无需预设。而 Z&R 梦寐以求的“不依赖外部仲裁者的内生均衡”，在涌现式弃权里得到了一个 prompt 级的实例。

KQML 一线的延续则带着一层退化意味。Dochkina 的“通信协议”是三要素之一，但她的协议是 prompt 级的而非消息级形式化的：KQML 用 Lisp 语法定义 36 个 performative，Dochkina 用自然语言 prompt 定义 agent 间的角色交换协议。通信从结构化消息退化为自然语言对话，但核心问题不变：通信协议的选择和中介策略的决策比消息传递本身难得多，这正是 KQML 一线 Bar-Hillel 式批评的延续。

诚实边界：这三份材料各自不能证明什么

这篇文章引用了两份 2026 年文献和我们自己的一份模拟，它们都有不能越过的边界。逐条清点，一条不省。

第一，Dochkina 的实验是 LLM-as-judge 评估，非真实工业部署。 论文使用独立判官模型（GPT-4o / GPT-5.4）对解决方案进行多准则评分。这与 联合意图部署 中 ARCHON 的真实电力/CERN 部署不在同一证据层——LLM-as-judge 的评分与真实工业环境的效果之间存在未被验证的鸿沟。判官模型自己的偏好、风格偏差和可操纵性，都没有被排除在评分之外。

第二，BCG 的 47% 是自我报告数据，非行为观测。 “管理 AI 的时间”是受访者主观估计，而非时间追踪工具的客观记录。自我报告数据存在回忆偏差和社会期望偏差：受访者可能高估或低估管理时间。47% 应读作“约半数人如此感知”的量级信号，而非精确的行为测量。

第三，两篇文献的因果链都不完整。 Dochkina 未证明 Sequential 协议在真实组织中的长期稳定性：25,000 个任务都是短时任务，没有跨月或跨年的纵向追踪，而组织的真实困难往往在时间维度上（角色固化、路径依赖、记忆污染）。BCG 未证明工作流重设计能消除 47% 的管理负担：24pp 的重设计红利是横截面比较，不是消除管理负担的因果证明。

第四（本条须以最强语气陈述），我们的 Python 模拟使用数学公式而非真实 LLM 调用——它与 Dochkina 的实验在证据等级上差着整整一个范式。 涌现角色统计（220 个）和角色选择行为由概率模型模拟（形容词 + 名词的词库采样），不是真实 LLM 的 prompt 级角色发明；质量得分由参数化公式计算，不是 LLM-as-judge 的真实评分；治理悖论由泄漏率和认知密度系数驱动，不是对任何真实工作者的观测。更要紧的是，复现数字与论文数字的高度吻合（+14.5% 对 +14%，44.0% 对 47%）不是独立推导的结果，而是把论文报告的效果量拟合进参数的必然回放——模拟中没有一个数字来自一次真实的模型推理。它的全部效力在于验证协议间质量排序和能力阈值翻转的定性模式：排序可以由这些机制产生；至于真实 LLM 群体是否恰好由这些机制主导，要回到 25,000 次真实运行里去看。完整代码在 ../self-organization-reproduction/，读者可以自行检验这条边界画在哪里。

清点完毕，可以给这个系列的正编一个收束了。阶段三从 C&L 1990 的一个问题出发（自主性能不能有可计算的答案），走了 PRS、合同网、仲裁、联合意图、KQML、反应-慎思和解、意图编辑权，最后落到 2026 年的两份文件上。Dochkina 证明 AI 侧的自组织在能力阈值以上可行且更优，BCG 证明人侧的管理方式还没跟上——瓶颈不在 AI 能否自组织，而在人的组织形式能否适配 AI 的自组织。Sequential 的“最小骨架 + 最大血肉”因此有了双重身份：它既是给智能体群的编队口令，也是给人的管理备忘——把骨架留给自己，把血肉还给它者。这大概就是“意图即承诺，智能体即社会”在正编终点处的样子：承诺可以交给机器守住，组织得两边一起改。

参考文献

[dochkina2026]  Dochkina, V. “Drop the Hierarchy and Roles: How Self-Organizing LLM Agents Outperform Designed Structures.” arXiv:2603.28990, March 2026. Moscow Institute of Physics and Technology (MIPT).

[bcg2026]  BCG. “AI at Work 2026: Strategy Matters More Than Tools.” Boston Consulting Group, June 3, 2026. 14 countries, 11,749 respondents, fourth annual survey.

[contractnet]  Davis, R. & Smith, R.G. “Negotiation as a Metaphor for Distributed Problem Solving.” MIT AI Memo No. 624, May 1981. 第 4.2 节（p10）。

系列导航 · 意图即承诺，智能体即社会——自主性的第一个可计算答案

Agent 考古 意图即承诺，智能体即社会 系列文章	关键词
导读：总览与阅读路线	四条线时间线 · 阶段二衔接 · 阅读路线
意图即带承诺的选择	C&L 1990 · PGOAL · 持续承诺
BDI 从理论到工程	PRS · AgentSpeak · dMARS · 承诺策略
何为 Agent	W&J 弱/强概念 · AOP
合同网	Smith 1980 · 任务招标 · 囚徒困境
三种仲裁	Z&R · PERSUADER · D&M
联合意图部署	STEAM · ARCHON · EV(通信)
智能体如何找到彼此	KQML · FIPA · JADE · MCP/A2A
反应与慎思的和解	TouringMachines · INTERRaP · 门控
意图编辑权	三时空同构 · 编辑权拉锯 · 自止焊接
自组织的实证与治理悖论	Dochkina 2026 · BCG 治理悖论
当 LLM 住进 BDI	Ciatto 2025 · GenAI+BDI · 计划生成