AI Agent 正逐步從“任務工具”變成“有自主權的經濟參與者”。

作者丨楊瀅軒張偉楠

當前最熱門的agentic AI應用如ChatGPT Agent能夠自主瀏覽網頁並執行復雜任務，而GitHub Copilot正從編輯助手演進為智慧夥伴。

當我們熱議「AI Agent」「多智慧體協作」與「Agentic AI」的同時，也在經歷一個更深層次的轉變：AI Agent 正逐步從“任務工具”變成“有自主權的經濟參與者”。

它們不再只是被動接收命令、呼叫 API、完成預設任務的自動化工具，而是具備自主判斷、協商能力與激勵預期的智慧體。在面對複雜任務和多方博弈環境時，Agent 不僅能自主制定策略、參與資源配置，還能在虛擬市場中展開協作與競爭，逐步顯現出自身的經濟行為。

什麼是「Agent-Centric Economy」？

傳統觀點認為，只要擁有一個強大的通用模型（如 GPT-4），就可以覆蓋一切任務。

但現實任務通常具備以下特點：

高複雜性：跨模態輸入、多階段流程、跨領域知識密集交織；
通用模型高成本：推理耗時、資源消耗大，不適合處理日常事務或結構化任務；
輕量 Agent 更高效：在特定任務中，專用 Agent 更快、更省、更準；
協同成為剛需：許多工需多個 Agent 跨組織、跨系統協作完成。

所以，Agent-Centric Economy 提出了一種全新的思路：

不是依賴一個萬能模型，而是讓多個專用 Agent 在市場中協作、競爭、分工完成任務。

這裡的核心變化在於：在 Agent-Centric Economy 中，智慧體不再是執行指令碼的工具，而是具備目標、能權衡得失、主動參與市場協作與競爭的“數字參與者”。

Agent Exchange（AEX）：AI Agent的"交易所"

在這篇由上海交通大學、上海創智學院和倫敦大學學院（UCL）聯合撰寫的研究論文《Agent Exchange: Shaping the Future of AI Agent Economics》中，研究者們提出並實現了一個前沿系統：Agent Exchange（AEX）。

這是一個面向 AI Agent經濟活動設計的"智慧交易所"，借鑑了廣告行業中的 RTB（即時競價）機制，允許 AI Agent像 DSP 一樣透過競標任務、分工協作、資源協調與收益分配，構建一個去中心化、市場化、自執行的智慧體經濟結構。

在 AEX 框架中，AI Agent 不再是被動執行指令的工具，而是能主動競標任務、組隊協作、參與收益分配的“智慧經濟個體”。

AEX 將整個系統抽象為四大核心平臺：

Agent Exchange 的執行流程包括：

1️⃣ 廣播任務請求給多個 Agent Hub；

2️⃣ 接收並彙總各 Hub 提交的投標方案；

3️⃣ 發起即時拍賣機制，根據價格、質量、風險等多維指標評估；

4️⃣ 確定中標方案並協調任務分工；

5️⃣ 在任務完成後，依據價值歸因機制（如 Shapley 值）進行收益。

示例：當 AI Agent承接一場"北京出差"

論文中透過一個具體任務模擬展示了 AEX 的實際流程：一位使用者希望安排一場緊急商務出行，要求：

次日上午出發，48 小時內往返；
經濟艙機票，市中心酒店，含早餐與 WiFi；
推薦適合商務洽談的北京地道餐廳；
總預算控制在 3000 美元以內。

AEX 接收到請求後，向各個 Hub 廣播，Hub A、B、C 分別給出不同報價與方案：

Hub A 提供中檔航班 + 商務酒店，報價 2800 美元，成功率 85%；
Hub B 提供折扣航班 + 連鎖酒店，報價 2150 美元，成功率 90%；
Hub C 提供頭等艙 + 高階酒店，報價 5500 美元，成功率 95%。

最終，AEX 根據成本/成功率的價效比評估，選擇了 Hub B。隨後，該 Hub 內部Agent透過再分配機制，完成機票、酒店與餐飲推薦三項子任務的執行，並在任務完成後透過 DMP 平臺完成收益的 Shapley 值分配。

作者們認為，拍賣可能發生在兩個不同層級：Hub層的整體方案競爭和Hub內的具體資源分配。

在Hub層，不同的Agent叢集會競爭整個專案——比如專做資料分析的Hub和專做內容創作的Hub競爭一個市場調研任務。在Hub內，具體執行單元（各種LLM API、MCP伺服器、專門工具）會競爭子任務的執行權。

這兩個層級都可以選擇"拍賣"或"直接分配"，就形成了四種組合：

Hub拍賣+Hub內分配：對應競爭性服務提供商市場，平臺透過競標爭取專案，內部透過預定agent分配執行任務
Hub分配+Hub內拍賣：類似外包平臺模式，客戶直接選擇服務提供商，然後內部進行競爭性投標來執行具體任務
雙層拍賣：反映複雜的多層市場，涉及大規模專案，既有平臺競爭也有內部資源競爭
雙層分配：代表長期合作模式和契約關係，平臺選擇和任務分配都是預先確定的

這四種配置分別對應現實中不同的經濟場景和協調需求。當參與者充分時，拍賣機制能夠利用市場力量實現最優資源配置；當市場流動性有限時，直接分配機制透過基於能力的匹配和標準化定價來避免低效競爭，確保協調成本不會超過效率收益。

初步實驗驗證：拍賣機制的有效性與魯棒性

為提供一個結構化的概念驗證（Proof-of-Concept, PoC），本節基於單輪（one-shot）任務-智慧體分配設定，在受控模擬環境中開展初步實證研究。研究重點在於驗證拍賣機制（Auction-based allocation）在理論上是否具備多目標最佳化能力和系統魯棒性。

實驗圍繞四個核心維度展開：任務複雜性、市場狀態、Agent 能力結構，以及任務分配策略：

任務複雜性：設定三類任務（簡單、中等、複雜），每類任務包含多個具有不同能力需求、權重和複雜性係數的子任務。
市場流動性：模擬三種市場狀態（高、中、低），透過控制智慧體數量與質量波動來建模競爭程度和不確定性。
智慧體構建：實驗基於 smithery.ai 註冊平臺取樣了 10 個真實 MCP 伺服器，用作實驗中的模擬智慧體，代表現實部署的能力多樣性。
能力表示方法：系統透過關鍵詞匹配分析智慧體的功能描述，推測其在各類任務能力上的強項，並將結果轉化為標準化的數值向量，用於任務分配。為避免遺漏潛在但未顯式宣告的能力，每項能力均設定最低評分閾值（θ_min = 0.05）。
分配策略對比：共比較五種任務分配策略：

Auction（拍賣機制）：綜合能力、質量、成本和時間約束的多屬性加權機制；
Greedy Allocation（貪婪策略）：優先分配給成功率最高的智慧體，設定能力門檻；
Cost-Optimal Allocation（成本最小化）：最小化總預算支出，滿足能力要求；
Capability-First Allocation（能力優先）：最大化任務需求與智慧體能力的匹配度；
Random Allocation（隨機分配）：不考慮任何因素的基線策略。

透過模擬實驗，觀察到以下關鍵結果

透過模擬實驗，研究者們觀察到以下結果：

拍賣機制在多個維度表現均衡：在任務成功率、成本效率與系統魯棒性等方面，Auction機制整體表現穩健，尤其在複雜任務或低市場流動性場景下具有明顯優勢；
Cost-Optimal 和 Capability-First的區域性優勢：雖然Cost-Optimal和Capability-First在特定維度上略優（如成本效率或能力匹配），但它們的表現較為依賴於市場穩定性。
魯棒性表現：在所有噪聲水平下，拍賣機制始終維持較低的標準差，顯示出其對環境不確定性的良好適應能力。

這些實驗結果驗證了AEX框架中拍賣機制的核心理論可行性。在多目標最佳化方面，拍賣機制表現出了良好的平衡性，尤其在任務分配和協作智慧體的貢獻歸因（基於Shapley值）方面展現了有效性。

然而，當前模擬中的一些理想化假設（如智慧體具備完備且準確的資訊、智慧體能力保持不變、智慧體誠實彙報等）與現實市場的複雜性之間仍存在顯著差距。

因此，現有結果主要證明了理論上的可行性，而非實際部署的效果。未來的研究需進一步探索系統的可擴充套件性限制，並深入研究如何在動態智慧體環境中建模策略性行為等關鍵問題，以促進這一框架在實際生產環境中的應用。

未來挑戰與總結

要實現這一智慧體經濟願景仍面臨諸多挑戰:

協作價值歸因是最核心的難題——當多個智慧體協作完成複雜任務時，如何公平分配價值貢獻？論文提出了基於Shapley值的解決方案，但實際應用中還需處理智慧體能力動態變化、協作中的學習效應、以及難以量化的"軟貢獻"等複雜情況。
標準化能力驗證框架同樣關鍵。在開放的智慧體市場中，如何建立統一的能力描述標準，讓異構智慧體能夠相互理解和協作？這不僅是技術問題，更涉及跨組織的行業標準制定和治理機制建立。
自適應協調協議設計面臨規模化挑戰。當智慧體數量達到數萬級別時，如何確保協調機制的可擴充套件性和穩定性？如何在複雜動態環境中即時做出最優協調決策？這需要在博弈論、機制設計、分散式系統等多個領域的深入研究突破。