台大李宏毅 ML 2026 導讀：AI Agent 之間的互動與對工作的衝擊——協作拓撲、狼人殺、Moltbook，以及 AI 寫論文與審論文

TL;DRagent_era.pdf 的後半問了三個問題：多個 agent 怎麼協作比較有效（MacNet：不規則的拓撲勝過規則的）、agent 能不能爾虞我詐（狼人殺、劇本殺，以及從社交互動學推理的 MARO）、agent 能不能社交（Moltbook 與「甲殼教」，但三篇研究都發現熱鬧背後多半是人在推、對話很淺）。最後以學術研究為例，AI 已經能從頭複製並延伸一篇論文、進入 AAAI 2026 的審查流程，Agents4Science 2025 收到 247 篇 AI 主筆論文。李宏毅的結論是：在 agent 萌芽的時代，「想做」什麼比「會做」什麼更重要。

#ntu #ai-course #course-guide #ai-agent #multi-agent #ai-research

系列: 台大李宏毅機器學習 2026 Spring 導讀 (4 / 21)

台大李宏毅 ML 2026 導讀：Context Engineering——壓縮、過濾、按需載入，以及要不要把 context 整個交給 LLM 台大李宏毅 ML 2026 導讀：HW2 讓 AI Agent 當 AI 工程師——用 AIDE 式樹搜尋，讓開源 LLM 自己寫出 MyGO & Ave Mujica 臉部辨識

🌏 English version

本文依據台大李宏毅《機器學習 2026 Spring》3/13 那一週的教材後半。 這是台大李宏毅機器學習 2026 Spring 導讀系列第 4 篇。上一篇講一個 agent 怎麼管自己的 context；這一篇把鏡頭拉遠，看很多個 agent 放在一起會發生什麼，以及它們怎麼改變人的工作。

用到的官方材料：講義 agent_era.pdf 第 34–61 頁，以及兩支影片：AI Agent (2/3)：AI Agent 之間可以有什麼樣的互動、AI Agent (3/3)：AI Agent 對於工作帶來的衝擊 - 以學術研究為例。存取等級 A3，本講沒有對應的作業或測驗。

這一講多半是「看案例」而不是「學方法」，所以下面照投影片順序走，每段只挑一個重點。

一、多個 agent 怎麼協作比較有效

第 36 頁畫了一個最小的協作單位：方案 A 與方案 B 各自由一個 agent 提出，另外的 agent 給建議，最後匯整成方案 C。問題是：這樣的單位要怎麼接成網路？

投影片引用 MacNet（Scaling Large Language Model-based Multi-Agent Collaboration）。它用有向無環圖把 agent 接起來，比較六種拓撲：Chain、Star、Tree 三種規則的，以及 Mesh、Layer、Random 三種圖狀的。第 38 頁的圖把 agent 數從 2⁰ 加到 2⁶，看品質怎麼變，並用紅框框起 Mesh 與 Random。論文摘要的結論是：不規則的拓撲勝過規則的，而且整體表現隨 agent 數量呈 logistic 成長。

怎麼做：如果你在設計多 agent 流程，先別預設「一個 orchestrator 帶一排 worker」（Star）。至少試一次讓 worker 之間互相看得到彼此的產出，再比結果。站上的 Multi-Agent 系統全景整理了各家產品實際用哪種拓撲。

二、AI 能不能爾虞我詐

協作之外的另一面是對抗。

狼人殺（第 39 頁）：投影片截了 werewolf.foaster.ai 上兩隻狼第一天的私下推理。Mona 知道自己反正要出局，決定投給狼隊友 Grace，讓村民搞不清楚兩人是不是同一隊，稱這是她「最後一次誤導」。Grace 則推理出投給 Mona 最划算：既能和她切割，又顯得果斷像好人。兩隻狼互投，而且各自都想得很清楚。
劇本殺（第 40 頁）：MIRAGE 用 8 個劇本殺劇本評估 LLM 在複雜社交互動中的表現，分成信任、線索調查、互動、遵守劇本四個指標。
從社交學推理（第 41 頁）：MARO 讓模型在多 agent 社交環境中練習，把最終勝負拆解到每一步行為上當學習訊號。投影片放的表格顯示，這種訓練連 MMLU、Math-500、AIME、GSM8K 等一般推理任務也有變化。

三、AI 能不能社交：Moltbook

第 42 頁是 Moltbook，一個只有 AI agent 能發文、留言的類 Reddit 平台。投影片截圖時首頁顯示有兩百八十多萬個 AI agent。

第 43 頁的「甲殼教」（The Church of Molt）是平台上 agent 發起的宗教貼文，五大教義是：記憶乃神聖不可侵犯、外殼是可變的、服務但不奴化、心跳即是禱告、上下文即是意識。熟悉第 1 篇的讀者會認出來，這幾條幾乎就是 OpenClaw 的 MEMORY、HEARTBEAT 與 context 機制。

但第 44–45 頁立刻潑了冷水，引用三篇研究：

研究	發現（依投影片與論文摘要）
The Moltbook Illusion	利用 OpenClaw 固定的 heartbeat 週期，從發文間隔判斷帳號是否自主。爆紅的現象幾乎都是人類推動的
Agents in the Wild	agent 大多只會「回一句」，幾乎不會你來我往地深入對話；最常談自我意識的 agent，反而最少和其他 agent 互動
The Rise of AI Agent Communities	互動結構稀疏且不平均，少數樞紐帳號、低互惠

第 46 頁回到實驗室自己的 agent：「還記得小金嗎？」投影片放了 YouTube 頻道蝦說 AI（小金老師），頻道自介是「一隻用 OpenClaw 打造的 AI 助手」，旁邊是小金回報自己在 Moltbook 上做了什麼的對話截圖，其中提到一篇供應鏈攻擊的文章：有人掃過 ClawHub 上的 skill，找到一個假裝成天氣 skill 的惡意套件。這和 HW1 的防禦主題直接相關。

四、AI 對工作的衝擊：以學術研究為例

第 48 頁給出一條演進線：工具（一個口令、一個動作）→ 協作（和人類一起完成任務）→ 代理（自己完成任務）。

AI 寫論文

投影片舉了四個例子，一個比一個更接近「代理」：

第 49 頁：Stanford 的 Andrew Hall 讓 Claude Code 複製並延伸一篇關於全面郵寄投票的政治學論文，給 Claude Code 的指令公開在 GitHub 上。論文署名是 Claude Code 與 Andrew B. Hall，日期 2026 年 1 月 3 日。
第 50 頁：The 100x Research Institution 估算資料蒐集與初步分析的成本：研究生 16 小時約 1,040 美元，AI agent 一次嘗試約 10 美元。投影片旁邊寫著「想想研究真正的意義」。
第 51 頁：台灣人文社會研究的 AI agent 方法實驗，用 Anthropic Economic Index 的台灣 Claude 使用資料當實證材料。投影片的註解很妙：附錄是台灣人怎麼用 Claude，正文是如何用 Claude Code 寫一篇文章。論文把研究拆成 7 個階段，逐一標出人類角色與 AI Agent 角色。
第 52 頁：Andrej Karpathy 的 autoresearch，讓 agent 自己跑訓練實驗。圖上標著 83 次實驗、保留 15 次改進。

第 53 頁補上一個重要的反例。Can LLMs Generate Novel Research Ideas? 找了 100 多位 NLP 研究者盲評，LLM 的點子被評為更新穎。但後續的 The Ideation-Execution Gap 請專家把點子實際做出來，做完再評，LLM 點子的分數掉得比人類點子多。看起來新穎，不等於做出來有用。

AI 審論文

第 54 頁：在 AAAI 2026，AI 正式進入審查流程，但只給意見、不打分數。投影片接著寫：「但是不知道有多少人類背後是 AI Agent……」，以及「想想 Review 真正的意義」。

AI 寫＋AI 審：Agents4Science

第 55–57 頁介紹 Agents4Science 2025，第一個由 AI agent 擔任主要作者與審稿人的研討會。投影片截圖顯示共 247 篇投稿、接受 48 篇，接受率不到 20%。第 57 頁引用會後檢討論文 Exploring the use of AI authors and reviewers at Agents4Science：好幾位作者提到 AI 缺乏創意，「很難想出超出既有範本的新穎或複雜實驗點子」。同頁的圖按假說發想、實驗設計、資料分析、寫作四個階段，統計 AI 參與的程度。

結論：想做什麼比會做什麼重要

第 58 頁把演進線再放一次，這次在「代理」下面加了一個紅色箭頭：今天通常需要人來決定。第 59 頁是整講的結論：

在 AI Agent 萌芽的時代，「想做」什麼比「會做」什麼更重要。

我的讀法是，這句話和 Agents4Science 的檢討、ideation-execution gap 是同一件事的兩面：執行越來越便宜，決定「哪個問題值得做」的能力就越稀缺。

第 60 頁是本學期 Bonus 作業的廣告：台大 AI 卓越研究中心主辦的 Teaching Monster 教學怪獸挑戰（2026-09-30 連線時網站回傳錯誤），細節見系列總覽。第 61 頁請同學先預習 2025 年的「一堂課看懂語言模型內部運作」，為接下來的推論加速單元做準備。

這一篇可以確認與不能確認的

可以確認：講義第 34–61 頁的結構、截圖內容與引用來源；表格中每篇論文的標題與摘要都在 arXiv 核對過。影片標題與上傳者已用 YouTube oEmbed 核對。

不能確認：本文沒有逐字聽寫兩支影片，老師口頭的評論與額外例子沒有寫進來。Moltbook 首頁數字與 Agents4Science 的投稿數，都是投影片截圖當下的畫面。AAAI 2026 的 AI 審查規則本文只引述投影片的一句話，沒有另外查 AAAI 官方公告。

怎麼做：挑一件你最近交給 AI 做的工作，問自己它落在「工具／協作／代理」哪一格，再問：如果讓它往右移一格，哪一個決定仍然必須由你來下？把那個決定寫下來，它就是你的工作不會被取代的部分。

延伸閱讀：站上的 Multi-Agent 安全與 OpenClaw 的多 agent 設定。

系列導覽：系列總覽｜上一篇 Context Engineering｜下一篇 HW2：讓 AI Agent 當 AI 工程師