AI Agent 正逐步从“任务工具”变成“有自主权的经济参与者”。

作者丨杨滢轩张伟楠

当前最热门的agentic AI应用如ChatGPT Agent能够自主浏览网页并执行复杂任务，而GitHub Copilot正从编辑助手演进为智能伙伴。

当我们热议「AI Agent」「多智能体协作」与「Agentic AI」的同时，也在经历一个更深层次的转变：AI Agent 正逐步从“任务工具”变成“有自主权的经济参与者”。

它们不再只是被动接收命令、调用 API、完成预设任务的自动化工具，而是具备自主判断、协商能力与激励预期的智能体。在面对复杂任务和多方博弈环境时，Agent 不仅能自主制定策略、参与资源配置，还能在虚拟市场中展开协作与竞争，逐步显现出自身的经济行为。

什么是「Agent-Centric Economy」？

传统观点认为，只要拥有一个强大的通用模型（如 GPT-4），就可以覆盖一切任务。

但现实任务通常具备以下特点：

高复杂性：跨模态输入、多阶段流程、跨领域知识密集交织；
通用模型高成本：推理耗时、资源消耗大，不适合处理日常事务或结构化任务；
轻量 Agent 更高效：在特定任务中，专用 Agent 更快、更省、更准；
协同成为刚需：许多任务需多个 Agent 跨组织、跨系统协作完成。

所以，Agent-Centric Economy 提出了一种全新的思路：

不是依赖一个万能模型，而是让多个专用 Agent 在市场中协作、竞争、分工完成任务。

这里的核心变化在于：在 Agent-Centric Economy 中，智能体不再是执行脚本的工具，而是具备目标、能权衡得失、主动参与市场协作与竞争的“数字参与者”。

Agent Exchange（AEX）：AI Agent的"交易所"

在这篇由上海交通大学、上海创智学院和伦敦大学学院（UCL）联合撰写的研究论文《Agent Exchange: Shaping the Future of AI Agent Economics》中，研究者们提出并实现了一个前沿系统：Agent Exchange（AEX）。

这是一个面向 AI Agent经济活动设计的"智能交易所"，借鉴了广告行业中的 RTB（实时竞价）机制，允许 AI Agent像 DSP 一样通过竞标任务、分工协作、资源协调与收益分配，构建一个去中心化、市场化、自运行的智能体经济结构。

在 AEX 框架中，AI Agent 不再是被动执行指令的工具，而是能主动竞标任务、组队协作、参与收益分配的“智能经济个体”。

AEX 将整个系统抽象为四大核心平台：

Agent Exchange 的运行流程包括：

1️⃣ 广播任务请求给多个 Agent Hub；

2️⃣ 接收并汇总各 Hub 提交的投标方案；

3️⃣ 发起实时拍卖机制，根据价格、质量、风险等多维指标评估；

4️⃣ 确定中标方案并协调任务分工；

5️⃣ 在任务完成后，依据价值归因机制（如 Shapley 值）进行收益。

示例：当 AI Agent承接一场"北京出差"

论文中通过一个具体任务模拟展示了 AEX 的实际流程：一位用户希望安排一场紧急商务出行，要求：

次日上午出发，48 小时内往返；
经济舱机票，市中心酒店，含早餐与 WiFi；
推荐适合商务洽谈的北京地道餐厅；
总预算控制在 3000 美元以内。

AEX 接收到请求后，向各个 Hub 广播，Hub A、B、C 分别给出不同报价与方案：

Hub A 提供中档航班 + 商务酒店，报价 2800 美元，成功率 85%；
Hub B 提供折扣航班 + 连锁酒店，报价 2150 美元，成功率 90%；
Hub C 提供头等舱 + 高端酒店，报价 5500 美元，成功率 95%。

最终，AEX 根据成本/成功率的性价比评估，选择了 Hub B。随后，该 Hub 内部Agent通过再分配机制，完成机票、酒店与餐饮推荐三项子任务的执行，并在任务完成后通过 DMP 平台完成收益的 Shapley 值分配。

作者们认为，拍卖可能发生在两个不同层级：Hub层的整体方案竞争和Hub内的具体资源分配。

在Hub层，不同的Agent集群会竞争整个项目——比如专做数据分析的Hub和专做内容创作的Hub竞争一个市场调研任务。在Hub内，具体执行单元（各种LLM API、MCP服务器、专门工具）会竞争子任务的执行权。

这两个层级都可以选择"拍卖"或"直接分配"，就形成了四种组合：

Hub拍卖+Hub内分配：对应竞争性服务提供商市场，平台通过竞标争取项目，内部通过预定agent分配执行任务
Hub分配+Hub内拍卖：类似外包平台模式，客户直接选择服务提供商，然后内部进行竞争性投标来执行具体任务
双层拍卖：反映复杂的多层市场，涉及大规模项目，既有平台竞争也有内部资源竞争
双层分配：代表长期合作模式和契约关系，平台选择和任务分配都是预先确定的

这四种配置分别对应现实中不同的经济场景和协调需求。当参与者充分时，拍卖机制能够利用市场力量实现最优资源配置；当市场流动性有限时，直接分配机制通过基于能力的匹配和标准化定价来避免低效竞争，确保协调成本不会超过效率收益。

初步实验验证：拍卖机制的有效性与鲁棒性

为提供一个结构化的概念验证（Proof-of-Concept, PoC），本节基于单轮（one-shot）任务-智能体分配设定，在受控模拟环境中开展初步实证研究。研究重点在于验证拍卖机制（Auction-based allocation）在理论上是否具备多目标优化能力和系统鲁棒性。

实验围绕四个核心维度展开：任务复杂性、市场状态、Agent 能力结构，以及任务分配策略：

任务复杂性：设置三类任务（简单、中等、复杂），每类任务包含多个具有不同能力需求、权重和复杂性系数的子任务。
市场流动性：模拟三种市场状态（高、中、低），通过控制智能体数量与质量波动来建模竞争程度和不确定性。
智能体构建：实验基于 smithery.ai 注册平台采样了 10 个真实 MCP 服务器，用作实验中的模拟智能体，代表现实部署的能力多样性。
能力表示方法：系统通过关键词匹配分析智能体的功能描述，推测其在各类任务能力上的强项，并将结果转化为标准化的数值向量，用于任务分配。为避免遗漏潜在但未显式声明的能力，每项能力均设定最低评分阈值（θ_min = 0.05）。
分配策略对比：共比较五种任务分配策略：

Auction（拍卖机制）：综合能力、质量、成本和时间约束的多属性加权机制；
Greedy Allocation（贪婪策略）：优先分配给成功率最高的智能体，设定能力门槛；
Cost-Optimal Allocation（成本最小化）：最小化总预算支出，满足能力要求；
Capability-First Allocation（能力优先）：最大化任务需求与智能体能力的匹配度；
Random Allocation（随机分配）：不考虑任何因素的基线策略。

通过模拟实验，观察到以下关键结果

通过模拟实验，研究者们观察到以下结果：

拍卖机制在多个维度表现均衡：在任务成功率、成本效率与系统鲁棒性等方面，Auction机制整体表现稳健，尤其在复杂任务或低市场流动性场景下具有明显优势；
Cost-Optimal 和 Capability-First的局部优势：虽然Cost-Optimal和Capability-First在特定维度上略优（如成本效率或能力匹配），但它们的表现较为依赖于市场稳定性。
鲁棒性表现：在所有噪声水平下，拍卖机制始终维持较低的标准差，显示出其对环境不确定性的良好适应能力。

这些实验结果验证了AEX框架中拍卖机制的核心理论可行性。在多目标优化方面，拍卖机制表现出了良好的平衡性，尤其在任务分配和协作智能体的贡献归因（基于Shapley值）方面展现了有效性。

然而，当前模拟中的一些理想化假设（如智能体具备完备且准确的信息、智能体能力保持不变、智能体诚实汇报等）与现实市场的复杂性之间仍存在显著差距。

因此，现有结果主要证明了理论上的可行性，而非实际部署的效果。未来的研究需进一步探索系统的可扩展性限制，并深入研究如何在动态智能体环境中建模策略性行为等关键问题，以促进这一框架在实际生产环境中的应用。

未来挑战与总结

要实现这一智能体经济愿景仍面临诸多挑战:

协作价值归因是最核心的难题——当多个智能体协作完成复杂任务时，如何公平分配价值贡献？论文提出了基于Shapley值的解决方案，但实际应用中还需处理智能体能力动态变化、协作中的学习效应、以及难以量化的"软贡献"等复杂情况。
标准化能力验证框架同样关键。在开放的智能体市场中，如何建立统一的能力描述标准，让异构智能体能够相互理解和协作？这不仅是技术问题，更涉及跨组织的行业标准制定和治理机制建立。
自适应协调协议设计面临规模化挑战。当智能体数量达到数万级别时，如何确保协调机制的可扩展性和稳定性？如何在复杂动态环境中实时做出最优协调决策？这需要在博弈论、机制设计、分布式系统等多个领域的深入研究突破。

Agent Exchange的提出是一个前所未有的探索：它不仅为AI Agent之间的协作提供了技术运行机制，更重要的是提出了一种制度化的"去中心化智能体经济"框架。

在大模型集中化发展路径之外，AEX为我们展示了另一种可能：无需依赖单一的"超级大脑"，分布式的智能体们通过市场机制彼此博弈、协作，在竞争中"谋生"，最终组成一个自运行、可持续发展的智能生态系统。这种模式有望释放更多元化的AI创新潜力，让不同规模的组织和个人都能参与到智能经济中来。

从理论到实践的转变充满挑战，正如论文中所提到的，这些挑战恰是制度设计与技术创新的契机。AEX 展示了 AI 发展的新方向：不仅是技术创新，更是在构建一个由智能体组成的经济和社会系统，值得我们不断深入探索。