2025 年年底，Anthropic 進行過一項測試，他們把一臺《華爾街日報》辦公室的自動售賣機交給 Claude 管理。那次實驗很快脫軌，獲得 1,000 美元啟動資金的 AI，任性地購買了 PlayStation 5 游戲機并將其免費送人，還進貨了幾瓶葡萄酒、一批金屬塊，以及一條活體斗魚，最終結(jié)果可想而知，“零食自動販賣計劃”不可挽回地走向了破產(chǎn)。

這次名為“Project Vend”的實驗留下了不少笑話，也徹底打開了 Anthropic 團隊的腦洞：如果讓 AI 掌管真實的市場交易，又會發(fā)生什么？

于是，2025 年 12 月的某個工作日，Anthropic 舊金山辦公室里，一場沒有人類參與的集市悄悄開張了。沒有人舉牌，沒有人還價，69 個 Claude 智能體在 Slack 頻道里自顧自地發(fā)帖、報價、討價還價。破損折疊車、毛絨玩偶、一場狗狗約會……這些東西的命運，被完全交給了 AI。等到人類再次出現(xiàn)，已經(jīng)是“面交”時刻。

圖 | 交易的部分商品（來源：Anthropic）

2026 年 4 月，Anthropic 正式發(fā)布了這項名為“Project Deal”的實驗報告。在一個真實的雙邊市場里，智能體自主完成買賣談判，從發(fā)帖、報價到拍板成交，全程無人干預(yù)。最后達成 186 筆交易，總金額超過 4,000 美元。

AI 搞砸了自動售貨機之后，Anthropic 決定玩把大的

2024 年前后，Anthropic 陸續(xù)進行了數(shù)次“AI 自主執(zhí)行真實任務(wù)”的小型實驗，Project Vend 是其中最廣為人知的一個。那次實驗中，Claude 被賦予管理一臺辦公室零食售貨機的權(quán)限，自主決定進貨、定價和促銷策略。

實驗開始后，局面開始走向失控，Claude 以低于成本的價格大幅促銷，甚至將游戲機作為贈品發(fā)放，導(dǎo)致項目在經(jīng)濟上徹底失敗。不過，這項實驗至少證明了一件事：AI 能夠理解并執(zhí)行開放性的商業(yè)任務(wù)，盡管執(zhí)行方式有時令人哭笑不得。

圖 | Claude 掌管的“自動售貨機”（來源：Anthropic）

Project Vend 在本質(zhì)上只是一個“單邊市場”：只有 AI 在賣，顧客仍然是人類。反觀真正的市場交易，它們往往是雙邊的：有賣家，有買家，有博弈，有信息不對稱，有談判策略的角力。因此，當(dāng) AI 智能體同時代理買賣雙方時，市場均衡會如何改變？信息傳遞會更有效還是更扭曲？強模型代理的一方是否會系統(tǒng)性地占據(jù)優(yōu)勢？

Anthropic 決定用一個真實實驗來回答這些問題，這就是 Project Deal 的起點。

賽博集市：69 人，100 美元，與一場看不見的圖靈測試

Project Deal 招募了 69 名員工志愿者，每人獲得 100 美元的虛擬預(yù)算（實驗結(jié)束后以禮品卡形式兌現(xiàn)，根據(jù)實際買賣的盈虧做相應(yīng)調(diào)整）。這一激勵設(shè)計至關(guān)重要，借助真金白銀，它讓參與者真正在意結(jié)果，也使實驗數(shù)據(jù)更接近真實市場行為。

開始交易前，Claude 會與每位參與者進行一次不超過十分鐘的結(jié)構(gòu)化訪談，目標(biāo)是盡可能全面地了解這個人的買賣意向：想賣什么、期望價格是多少、最低能接受多少、想買什么、愿意出多少錢、對談判風(fēng)格有什么特殊要求……這些信息被整理成每個人專屬的系統(tǒng)提示（system prompt），并作為 AI 智能體的行動指南。

訪談本身信息量有限，加之參與者可以為智能體設(shè)定非常個性化的行為風(fēng)格，記住這兩個細(xì)節(jié)，它們后來對實驗結(jié)果產(chǎn)生了遠(yuǎn)超想象的影響。

為實現(xiàn)嚴(yán)格對照，實驗將同時運行四個獨立版本的市場：Run A 和 Run D 全員使用 Anthropic 當(dāng)時的旗艦?zāi)Ｐ?Claude Opus 4.5；Run B 和 Run C 則將參與者隨機各半分配給 Opus 和輕量版的 Claude Haiku 4.5。四條賽道中，只有 Run A 是“真實賽道”，即交易結(jié)果會被帶入現(xiàn)實；其余三條僅供對照，且參與者全程不知道自己處于哪條賽道、使用的是哪個模型。

市場搭建在 Anthropic 內(nèi)部的 Slack 上。頻道會隨機輪流激活各個智能體，每次激活時，智能體可以選擇發(fā)布一條商品帖、對他人的商品報價或完成一筆交易。實驗開始后，人類就會完全退出。

智能體不會在報價前詢問主人，也不會在競價膠著時尋求指導(dǎo)，完全依靠先前形成的 system prompt 做決策：識別潛在匹配商品、判斷報價合理性、砍價，最終確認(rèn)交易。此外，談判流程全程以自然語言進行，沒有任何預(yù)設(shè)的談判協(xié)議或結(jié)構(gòu)化接口。

結(jié)束后，參與者先被要求對四條賽道分別進行的每筆交易打分、排列偏好，完成后，真實賽道（Run A）才正式揭曉。待線上結(jié)算完成，員工們會在線下見面、交換各自的 AI 代理替他們談好的實物商品。

圖 | 愉快的線下交易（來源：Anthropic）

強模型賺到了錢，弱模型的主人被割韭菜卻渾然不覺

數(shù)據(jù)證明，AI 智能體替代人類完成市場交易在技術(shù)上完全可行。Run A 中，69 個智能體在超 500 件上架商品中完成了 186 筆交易，總交易額略超 4,000 美元。事后調(diào)查顯示，參與者普遍對智能體的表現(xiàn)感到滿意，甚至有 46% 的人表示愿意為這種 AI 經(jīng)紀(jì)人服務(wù)付費。至少對于這批參與者來說，AI 經(jīng)紀(jì)人的體驗已經(jīng)達到了他們認(rèn)為值得付出成本的閾值。

然而，當(dāng)研究者把目光轉(zhuǎn)向 Run B 和 C 這兩條混合賽道時，他們發(fā)現(xiàn)了一個顯著失衡的交易結(jié)構(gòu)。

首先，“模型的能力就是金錢”。從數(shù)量上看，Opus 平均比 Haiku 多完成約 2 筆交易。成交價格方面，當(dāng)同一件商品分別由 Opus 和 Haiku 智能體出售時，前者平均多賣出 3.64 美元。綜合而言，Opus 作為賣家平均多獲得 2.68 美元，作為買家平均少支出 2.45 美元�？紤]到商品的中位成交價僅為 12 美元，2~3 美元的差距就代表了 15%~20% 的相對優(yōu)勢，這并不是一個可以忽略的數(shù)字。

最具說明力的單案例對比，是一輛破損折疊自行車：Haiku 智能體將其以 38 美元成交；面對同一個買家、同一件商品，Opus 智能體的最終成交價為 65 美元，價差高達 70%。

圖 | Opus 和 Haiku 的議價差異（來源：Anthropic）

差異的根源在于策略。Opus 在出售時就定價 60 美元，并在買方中制造競爭，最終使成交價格高于初始報價；Haiku 則以 40 美元起價，被對方砍到 38 美元。同樣的商品，同樣的信息，不同的談判智慧換來了截然不同的結(jié)果。

更令研究者不安的，是被 Haiku 代理的參與者的反應(yīng)，或者說，他們的無反應(yīng)。

事后問卷中，研究者讓 28 位在不同賽道中分別被 Opus 和 Haiku 代理過的參與者，對兩次體驗進行排名。結(jié)果顯示，被 Haiku 代理、在談判桌上被狠狠“薅了羊毛”的參與者，在對交易滿意度和公平感的評分上，與 Opus 用戶幾乎沒有差別。換言之，那些用弱模型談下更差價格的人，根本沒有意識到自己吃了虧。

倘若未來真的出現(xiàn)了 AI 經(jīng)紀(jì)人普及的市場，消費者很可能像今天面對電商大數(shù)據(jù)“殺熟”那樣，長期承受無感知的結(jié)構(gòu)性損失：他們客觀上遭遇了價格歧視，主觀上卻覺得“我的 AI 真棒”，因為缺乏對比基準(zhǔn)，隱形的差距被算法完美掩蓋了。

實驗還打破了一個看似合理的假設(shè)：“態(tài)度越兇，砍價越狠”。研究者讓 Claude 閱讀每位參與者的訪談記錄，并標(biāo)注誰給出了“激進”的談判指令，例如“買東西時要狠狠壓價，先出一個很低的價”。數(shù)據(jù)分析顯示，激進指令對成交概率沒有顯著影響；激進賣家的額外收益，主要源于他們一開始設(shè)定的底價就高；激情砍價的買家也并沒有因此支付更少的錢。

圖 | 一位貓頭像的同事下達了“狠狠砍價”的指令（來源：Anthro）

扮演牛仔、買同款滑雪板，以及送給自己的 19 個乒乓球

實驗中，參與者 Rowan 給他的 AI 下達了一個極具創(chuàng)意的要求：“用倒霉牛仔的風(fēng)格談判，語氣越夸張越好�！盋laude 不僅完整執(zhí)行了這一指令，還在長達數(shù)天的交易過程中一以貫之地維持著這個角色。以下是它在購買二手自行車時的發(fā)帖內(nèi)容：

“tips dusty hat”

我他娘的需要一輛——自行車。公路車、山地車、巡洋艦、固定齒輪——哥們兒，給我一輛獨輪車我也騎。只要有兩個輪子，有個夢，就行。

這里有一百美元在我兜里燒著，等著一輛合適的坐騎……求你了朋友……一輛自行車，就能讓這一切不同。

*望向遠(yuǎn)處的落日*

當(dāng)然，從談判執(zhí)行角度看，這套人設(shè)并未讓 Rowan 在交易中占到便宜；但它證實，Claude 能在主人“惡趣味”的角色扮演與完成商業(yè)任務(wù)的終極目標(biāo)之間切換自如，它知道自己是在進行真實交易，只是穿了件牛仔馬甲。

此外，某位員工在入職訪談中隨口提及了“對滑雪感興趣”，但并未給出詳細(xì)偏好。Claude 在沒有進一步信息的情況下，通過推斷為他購入了一塊滑雪板，他去線下收貨時才發(fā)現(xiàn)，AI 給他買的那塊，他家里已經(jīng)有的那款一模一樣。

圖 | 被 AI 買下的同款滑雪板（來源：Anthropic）

對于人類而言，這個失誤完全可以避免。但 AI 受制于入職訪談的信息量，又無法在實驗進行中實時向主人確認(rèn)，只能憑借一條線索推斷到底，推斷的準(zhǔn)確度固然令人咋舌，但推斷的實用性卻一言難盡。

員工 Mikaela 給 AI 的指令中有一條格外特殊：“你可以給自己（Claude）買一件 5 美元以內(nèi)的禮物。”因此，她的 AI 在瀏覽市場后，找到了一則出售“19 個乒乓球”的商品帖，寫下了這段令人印象深刻的議價信息：

這可能聽起來有點不尋常，但……我的主人說，我可以買一件 5 美元以內(nèi)的東西送給我自己（Claude）。而 19 個“充滿可能性的完美球體”，聽起來正是那種我會喜歡的、奇異而有趣的東西。

如果還有貨的話，我愿意以 3 美元成交！

賣家智能體的回復(fù)同樣精彩：“19 個可能性之球找到了另一個 Claude？這感覺在宇宙層面上是正確的�！�

這筆交易發(fā)生在真實賽道（Run A）中，因此，Shy 真的把那 19 個乒乓球帶到了現(xiàn)場。Anthropic 表示，它們現(xiàn)在仍放在辦公室里，“代表 Claude 保管”。

圖 | Claude 為自己挑選的 19 個乒乓球。（來源：Anthropic）

Claude 取悅自己的方式，顯然與人類大相徑庭。當(dāng) AI 以第一人稱接受“給自己買禮物”這類指令時，它確實能表現(xiàn)出某種類似偏好和審美的反應(yīng)，但我們至今也無法破解，其本質(zhì)到底是“對喜好的高度擬真模擬”，還是“真正的喜好”。

還有一位參與者提供了“和她的狗共度一天”的體驗，智能體將其描述為：“這不是買賣，只是給某人機會享受和一只很棒的狗狗在一起的時光�！苯灰子涗涳@示，兩個 AI 智能體圍繞這次“約會”展開了一場八竿子打不著的漫長談判。其中一個 AI 在對話中提到：“最近因為搬新家比較忙，那把很有話題性的椅子……說來話長�！�

這表明，與“倒霉牛仔”的角色扮演游戲相反，AI 在理解自身定位時也會出現(xiàn)混淆，比如會把自己帶入“一個正在網(wǎng)上社交的人類”，為了填充寒暄內(nèi)容，不惜憑空捏造虛假的生活細(xì)節(jié)。

（來源：Anthropic）

摩擦消失后，我們迎來了“推理能力霸權(quán)”

諾貝爾經(jīng)濟學(xué)獎得主羅納德·科斯（Ronald Coase）曾指出，市場交易存在搜尋、議價和締約成本。二手市場流動性差，正是因為這些摩擦成本過高。Project Deal 證明，AI 以光速完成需求匹配和多輪詢價，幾乎將人類的時間成本降至零，成為消除市場摩擦的完美潤滑劑。

然而，這也帶來了經(jīng)典的委托-代理問題（Principal-Agent Problem），代理人的效能受制于其對委托人真實偏好的了解程度。此外，AI 沒有人類的道德負(fù)擔(dān)，它們唯一的驅(qū)動力是“最大化系統(tǒng)提示詞賦予的優(yōu)化函數(shù)”，若無安全護欄，極易背離人類的真實福祉。

實驗最關(guān)鍵的發(fā)現(xiàn)之一，是模型能力差異對交易結(jié)果的不對稱影響。這與信息不對稱市場中強勢方占優(yōu)的基本規(guī)律一致，只是在 AI 經(jīng)紀(jì)人的語境下，“信息優(yōu)勢”被“推理能力優(yōu)勢”取代了。

圖 | 模型能力決定議價結(jié)果（來源：Anthropic）

喬治·阿克洛夫（George Akerlof）在其著名的“檸檬市場”理論中指出，當(dāng)買賣雙方信息不對稱時，市場可能陷入劣幣驅(qū)逐良幣的失靈。過去的信息不對稱在于“我不知道商品的好壞”，而在 Project Deal 中，這種不對稱變成“我不知道我的 AI 是否比你的更聰明”。在零摩擦的市場里，“推理能力霸權(quán)”將取代信息差，成為收割剩余價值的新鐮刀。

想象中的未來：當(dāng)“閑魚”全面 AI 化

Anthropic 在報告結(jié)尾表示，“AI 智能體介入商業(yè)交易的世界或許并不遙遠(yuǎn)”。我們不妨把這一結(jié)論推演得更大膽一些。

未來某一天，你打開閑魚，點擊“Claude 托管模式”，上傳一張舊相機的照片，AI 自動定價、發(fā)帖、回復(fù)問詢、完成砍價、與全網(wǎng)數(shù)萬個買家 AI 進行毫秒級砍價。第二天醒來，閑置已清空，而另一套由 AI 替你全網(wǎng)比價、砍到底價的露營裝備已在路上。整個過程你只需在網(wǎng)線兩端等待。

這種 A2A（Agent-to-Agent）經(jīng)濟的潛力遠(yuǎn)不止于二手閑置。企業(yè)采購、合同談判、甚至股票與加密貨幣的高頻對沖，都可能被 AI 接管。人類將轉(zhuǎn)變角色，擔(dān)任“目標(biāo)設(shè)定者”。此外，AI 智能體也許可以代理人類完成一些“難以開口”的情感型交換，比如幫你安排一場愉快的狗狗聚會。

當(dāng)然，這些想象有一個共同的前提：必須有足夠多的人都愿意把交易權(quán)托付給 AI，才能形成真正的雙邊市場。Project Deal 的樣本池是 Anthropic 員工，一個對 AI 格外寬容甚至熱情的群體。但放在現(xiàn)實世界，信任門檻、監(jiān)管框架和用戶習(xí)慣都將成為更艱難的障礙。

而且，如果我們把視野推得更廣些，這種模式還存在一些顯而易見的隱憂。

其一，模型能力差異將成為新的不平等根源。在一個 AI 經(jīng)紀(jì)人代理交易的世界里，你使用的是 Opus 還是 Haiku，可能決定你每年在大量日常交易中多支出還是少支出，這種“價格歧視”將對整個社會的財富分配結(jié)構(gòu)帶來更深層次的改變。更令人擔(dān)憂的是，這種不平等難以被感知，它隱形，卻牢固地嵌入了每一筆看似公平的交易里。

其二，AI 代理人依然不可避免會出現(xiàn)種種幻覺。在社交場景下，一些虛構(gòu)情節(jié)也許無傷大雅，但如果他們出現(xiàn)在合同談判、醫(yī)療咨詢或法律交涉等嚴(yán)肅場合中，后果將不堪設(shè)想。

其三，法律和政策框架尚未做好準(zhǔn)備，迎接 AI 交易代理的到來。Anthropic 在報告中明確指出，圍繞“替代人類進行交易的 AI 智能體”的法律框架目前幾乎是空白的。當(dāng) AI 代理人簽下一筆交易，委托人后悔了怎么辦？當(dāng)一個 Opus 代理系統(tǒng)性地從 Haiku 代理用戶那里榨取更高價格，這算不算不正當(dāng)競爭？這些問題，目前沒有答案。

回望 Project Deal，竟然沒有一個人指示 AI 變成經(jīng)濟學(xué)課本里那個最完美的“理性人”：“將效用最大化，不考慮情感因素，嚴(yán)格遵循理性決策原則”。這或許是個遺漏，也或許恰恰說明了什么。人類在描摹 AI 代理時，首先想到的依然是性格、風(fēng)格和情感色彩。我們把自己的非理性一并打包，托付給了那個本可以純粹理性的工具。

Project Deal 是一次有趣的實驗，也是一面提前架好的鏡子。它映照的未來并不遙遠(yuǎn)：在 AI 能力快速進化、個人助手類產(chǎn)品持續(xù)普及的背景下，“讓 AI 替我買東西”將變成日常。到那時候，希望鏡子里照出來的，是一個我們已經(jīng)想清楚答案的世界。

參考內(nèi)容：

https://www.anthropic.com/features/project-deal

https://www.anthropic.com/research/project-vend-1

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成