看到TeamBench这个工作，我第一反应是：终于有人认真做这件事了。目前多智能体系统里，所谓“角色分工”往往只是靠prompt暗示一下，比如“你当经理，你当工程师”，但实际执行时，一个模型完全可以偷偷替另一个角色干活——毕竟底层没有访问控制。这种情况下，即使团队任务完成率很高，也很难判断是真正的协作，还是某个“万金油”角色在包揽一切。TeamBench引入强制角色分离，相当于给每个智能体加了一把锁，让它们只能访问自己权限内的工具和上下文，这才是真正意义上的“角色”。

从技术细节看，851个任务模板和931个种子实例，覆盖操作系统级别的权限控制场景，这个规模在协作评估里算是比较扎实的。我个人的经验是，之前做多agent系统时，经常发现“经理”角色在日志里偷偷调用了“工程师”的API，这种隐式作弊在纯提示词方案里几乎无法检测。TeamBench这种强制隔离的做法，至少能筛掉一批伪协作系统。

我比较好奇的是：强制角色分离会不会导致系统过于僵化？比如某个角色确实需要另一个角色的中间结果，但权限设计没覆盖到，反而降低了真实协作效率。另外，这个基准测试是否考虑了动态权限授予（比如临时授权）的场景？

如果这种评估思路能普及，未来多智能体系统的设计可能要从“写好prompt”转向“设计好权限拓扑”，行业格局也会从拼模型能力转向拼系统架构。