刚看完TeamBench的论文，觉得这个基准测试切中了当前多智能体系统的痛点。以往我们用提示词分角色，但实际执行时，某个Agent可能悄悄替其他角色干了活，导致协作分数虚高。TeamBench通过操作系统级强制角色分离（比如基于Linux用户组和文件权限），让每个Agent只能访问自己的资源，逼着它们真正通信和协调。

核心技术亮点有二：一是851个任务模板覆盖了文件操作、网络请求等真实场景，而非玩具级任务；二是默认行为与协作行为的对比设计，能直接量化协作带来的增益。个人经验里，之前做多Agent编码任务时，总发现“架构师”Agent偷偷写了代码，导致“工程师”Agent成了摆设，这种评估确实能暴露问题。

抛两个问题：1. 强制分离会不会限制Agent在紧急情况下的灵活性？比如某个Agent挂了，其他Agent能否临时接管？2. 这种评估方法能否扩展到跨组织协作场景？比如不同公司的Agent如何通过权限隔离安全协作？

从行业看，TeamBench可能让多Agent系统的评估从“黑箱打分”走向“行为审计”。如果大厂采用类似机制，未来Agent框架的权限管理会成为标配，就像数据库的事务隔离级别一样。大家觉得在实际部署中，这种强制隔离和性能开销如何平衡？