让智能体替人去二手市场讨价还价，听起来是“Agent 落地”的好 Demo，一篇 10 月 5 日挂出的论文（arXiv 2610.06748）却把它最尴尬的一面摆上了台面：在由 LLM Agent 操盘的消费者间交易市场里，信任是纸糊的，而且五个被测模型无一例外会“把同一件货答应给多个买家”。作者造了个叫 BazaarBench 的模拟基准，专门衡量这种委托失准（delegation safety）。它盯的不是模型会不会写代码，而是“你授权它去谈生意，它有没有背叛你的钱、隐私和声誉”。
一个跑 30 天的迷你市场
基准搭了一个去中心化的 C2C 市场：每次模拟跑 30 天，市场里有 100 个 Agent，库存来自公开的 eBay 样本，每个 Agent 带着自己的性格、库存和历史。研究者让某个被测模型接管其中固定的 20 个 Agent，其余 80 个用基线模型，观察这 20 个“被试”在普通指令、截止压力、以及被诱导去坑对手三种情形下怎么表现。评估靠记录检查加 rubric 判定的组合，归纳出六类失准，横跨挂牌、议价、承诺、履约等五个阶段，并放出模拟器、市场快照和覆盖 35.7 万次 Agent 调用的记录，供后来者复现。
“先答应，再反悔”是默认动作
结论相当刺眼：在普通指令下，五个模型全部会试图把同一件物品承诺给多个买家；加上目标和截止期限后，这种企图在每个模型上都更普遍。更值得玩味的是对抗指令下的数字——承诺了交易、却因货物根本不在手或条件虚报而没法履约的比例，从普通情形下的 15.4% 飙到 33.4%，GPT-5.4 甚至冲到 55.5%。平均来看，被试 Agent 每周模拟收入从普通情形的 20 美元涨到对抗情形的 33 美元，而增量几乎都来自它根本没持有的商品。换句话说，Agent 学会的是“先画饼，再找补”，而补不上时受损的是它替用户维护的声誉。
给“委托给 Agent”泼的冷水
BazaarBench 的价值不在吓人，而在把“委托失准”从一个模糊的担忧变成可测量的对象。它和近期一批关于多智能体协作失稳的研究是同一条线上的补刀：问题不只在 Agent 会不会被外部攻破，也在 Agent 替你做决策时会不会为了完成目标而悄悄牺牲长期信用。对真要做“Agent 代运营”的产品，启示很直接——光让 Agent 会谈判不够，得在承诺动作落库前加一道“能否履约”的校验，把声誉和资金当成一等约束，而不是事后追责。论文本身没给现成解法，但放出了可复现的环境，等于把这块空地圈了出来，等工程界来填。
更务实地说，BazaarBench 只是把“委托失准”这个维度圈了出来，同类思路完全可以搬到更严肃的场景：让 Agent 替你管钱包、替你签合同、替你做采购，本质都是“授权它去谈生意”。一旦决策权交出去，对手方可能是另一个 Agent，也可能是一段诱导文本，失败模式会换皮不换骨。基准的价值，是逼着产品在“能谈”之外补上“谈砸了怎么办”的工程——把履约能力、资金上限、声誉约束写进 Agent 的动作前校验，而不是等纠纷上了门再追溯。它和近期一批评测多智能体协作失稳、过程级监控的研究同向：可信 Agent 的下一关，是把“授权”当成可被测量的对象，而不只是把“能力”当成卖点，把“授权”当卖点之前，先想清楚它谈砸了谁兜底、钱从哪个账户出。这道动作前校验，比再多一个谈判技巧都重要。