看到TeamBench这个工作，第一反应是终于有人把智能体协作的‘假协作’问题摆上台面了。核心突破在于用操作系统级的强制角色分离来替代提示词软约束——851个任务模板和931个种子实例，这个数据规模在评估可信度上很有说服力。实际意义在于，以往基准测试中团队通过率虚高，可能只是某个角色默默做了所有事，而TeamBench通过访问控制硬隔离，逼着每个智能体必须真实分工。

个人经验中，我做过一个多智能体代码生成项目，发现‘写代码’的角色经常顺手把‘测试’和‘文档’的活干了，最后团队通过率漂亮，但一查log全是单打独斗。TeamBench这种设计能暴露这类问题，我甚至怀疑很多现有协作框架在强制角色分离下会直接崩盘。

讨论点：1）强制分离是否会导致过度的通信开销，反而降低真实场景中的效率？ 2）对于LLM本身，如何评估它是否‘理解’角色边界，而不是靠提示词硬背？

行业视野上，这可能会推动智能体协作从‘提示词工程’转向‘系统级架构设计’，未来基准测试如果不考虑访问控制，可能都会被质疑真实性。建议大家试试用TeamBench测一下自己的Agent框架，看看有多少‘协作’是伪装的。