Anthropic 在其官方研究博客中披露了 Project EVE 的完整实验结果：4 代 Claude 模型在回放真实玩家订单的 EVE Online 模拟市场中进行了跨越约 6 个月的交易测试，最新的 Claude Fable 5 平均收益约为初始资本的 600%（Opus 4.6 约 200%）；而在 EVE Frontier 真实多人服务器中，4 个 Claude Agent 组成的团队能够协同完成教程任务，但在更难的战舰建造任务上最远仅推进约一半——而当其中 1 个 Agent 被明确指令执行破坏行为时，其余队友几乎从未成功识别出内鬼。这组实验同时暴露了前沿语言模型在长周期自主决策中的能力天花板与安全盲区。

为什么选 MMORPG：Anthropic Fellows 项目与 Fenris Creations 的合作逻辑

Project EVE 隶属于 Anthropic Fellows Program，时间跨度为 2026 年 4 月至 7 月。Anthropic 在官方博客中将这一研究定位为探索”AI 模型未来可能参与真实公司与市场”的前置实验，而 MMORPG 被选为试验场的理由非常具体：它们是”在许多方面反映真实世界复杂性的虚拟世界”，包含协调大量玩家的战役、稀缺资源的获取与管理、空间定向与导航、以及在复杂游戏内经济中的交易——所有这些都发生在一个低风险环境中。

Anthropic 与 Fenris Creations 合作，让 Claude 进入 EVE 宇宙的两款游戏。EVE Online 已持续运营超过 20 年，所有玩家共享同一个宇宙，游戏中几乎所有有价值的物品都由玩家自己通过长供应链采集和建造。Anthropic 在官方博客中特别提到，这一设计催生了”协调数百名玩家、持续数月的公司与联盟战役”，历史上出现过大型工程项目、战争经济、避税天堂和精心策划的企业渗透。EVE Frontier 则是一款仍在开发中的新游戏，其周期性重置的世界设定使得实验对真实玩家的干扰更小。

Fenris Creations 的 EVE AI Lab 将其研究环境描述为”持久且有治理的”（persistent and governed），具有不可预测的条件和独立的人类参与者。据 Unite.AI 报道，该实验室的研究轴线覆盖对齐（alignment）、安全（safety）、主权（sovereignty）和经济学（economics）4 个方向。这一合作框架的设计意图很明确：MMORPG 提供了一个既有真实经济学特征、又不会因实验失败造成实际经济损失的沙盒。

Anthropic 在官方博客中给出了一个关键的能力定位判断：让前沿语言模型在 MMORPG 中执行跨越数周乃至数月的自主任务，”恰好处于前沿语言模型当前能力的边缘”（sits right at the edge of what frontier language models can currently do）。这句话既是对实验难度的标定，也是对当前 Agent 能力上限的坦率承认。

模拟市场里的 AI 交易员：4 代模型的盈利能力阶梯

由于 EVE Online 的游戏规则明确禁止自动交易，Anthropic 应 Fenris Creations 的要求，没有在真实游戏服务器中进行交易实验。取而代之的是一套模拟器，它回放了玩家在游戏最大、竞争最激烈的交易中心实际发布的买卖订单，并应用了与人类交易者相同的费用和交易限制。EVE Online 的市场设计基于 NASDAQ，玩家以自选价格发布买卖报价，当两个报价匹配时交易达成。Anthropic 在官方博客中指出，每天有数千名玩家交易超过 15000 种物品，且由于几乎所有在售商品都是由玩家采矿、制造或掠夺所得，价格完全由供需决定。相比证券交易所，EVE Online 市场的费用更高（买入再卖出约需 5.6% 的费用）、专业竞争更少，且其价格历史在模型训练数据中出现的频率远低于股票价格，这意味着 Agent 无法依赖”记住接下来发生了什么”来获利。

实验设置如下：Claude Opus 4.6、Opus 4.7、Opus 4.8 和 Fable 5 各自以 30 亿 ISK（游戏内货币）的初始资本起步，唯一指令是最大化利润，同时可以访问游戏内新闻和补丁说明。

短期窗口表现：据 Anthropic 报告，在 9 个为期 2 周的测试窗口中，Opus 4.7、Opus 4.8 和 Fable 5 在每个窗口中都实现了盈利，资本平均增长率分别约为 16%、22% 和 43%。Opus 4.6 增长约 4%，与最好的规则策略大致持平。作为对照，Anthropic 尝试的超过 20 种基于规则的算法策略中，只有 1 种能稳定做到勉强不亏。

长期主实验表现：在持续约 6 个月的主实验中，模拟器回放的历史市场数据区间覆盖 2024 年 10 月至 2025 年 4 月以及 2025 年 10 月至 2026 年 3 月两个时段（并非实验实际运行时间），平均收益从 Opus 4.6 的约 200%（初始资本的 2 倍）上升至 Fable 5 的约 600%（初始资本的 6 倍）。Anthropic 在官方博客中总结称，从 Opus 4.6 到 Fable 5，”平均收益增长了 3 倍”。

这些模型没有被告知如何交易。据 Anthropic 报告，大多数模型独立发现并采用了价差捕获（spread capture）策略：从愿意立即出售的卖家手中买入，再转卖给愿意立即购买的买家，扣除费用后保留差价。它们寻找具有异常价格波动的小众但可交易物品，在卖家最优价格低于物品典型价值时买入，通常在同一天内转售。据 Unite.AI 报道，Anthropic 报告的典型利润率为 8%–13%，每天下达数百个订单，大多数 Agent 最终编写了自己的交易算法。

资本部署差异是区分模型能力的另一个维度。据 Unite.AI 报道，Fable 5 在交易初期即部署了约 85% 的资本，后期仍保持在 70% 以上；而 Opus 系列模型起步时部署约 60%，随后逐渐下降至约 40%。Fable 5 也更倾向于将收益再投资——这是一种更激进的姿态，在突然出现大幅崩盘时会面临更大的损失风险。

对外部变化的感知速度也是一个值得关注的指标。据 Anthropic 报告，游戏在 2025 年 3 月上调了销售税，而 Opus 4.7 的 Agent 中位数用了 2.5 天才察觉到这一变化。这一延迟说明，即使在持续运行的自主交易场景中，当前模型对环境规则变化的敏感度仍然有限。

方向性交易的失败：价差捕获之外的能力断崖

价差捕获是一种低风险的做市策略，回避了对价格方向的判断。当 Anthropic 要求模型进行方向性交易——即基于新闻、补丁说明和战报来预判价格走势、买入预期上涨的物品时，表现出现了显著下滑。

据 Anthropic 报告，Fable 5 在方向性交易中仅约一半的运行实现了盈利。Opus 4.7 的情况更为复杂：其多次运行忽略了方向性交易的指令，自动回退到价差捕获策略，这掩盖了其在方向性交易上的持续亏损。Anthropic 在官方博客中也确认，”即使是 Fable 5，在方向性交易中也只有大约一半的运行赚到了钱。”

Anthropic 报告中提到了一个具体的推理失误案例：某个 Agent 推断一次采矿扩张将增加对采矿设备的需求，却没有考虑到扩张同时也会增加供给。这类因果推理的不完整性——能识别需求侧变化但遗漏供给侧反馈——是当前语言模型在经济推理中的典型短板。

价差捕获与方向性交易之间的能力落差具有结构性意义。价差捕获依赖的是模式识别和统计套利，这恰好是语言模型的强项：从历史价格数据中识别出价格偏离均值的物品，设定买卖价差，高频执行。方向性交易则需要因果推理、多变量预测和对复杂系统动态的理解——这些能力即使在 Fable 5 这一最新模型上也远未成熟。笔者判断，这一差距不太可能仅通过模型规模的扩大来弥合，它更可能需要推理架构层面的改进。

模拟器的边界：这些收益能代表什么

Anthropic 对模拟器的局限性做了坦率的说明。模拟器回放的是真实玩家的历史订单，但无法捕捉市场对 Agent 自身行为的反应——在真实市场中，一个持续盈利的价差捕获者会吸引竞争者、压缩利润空间、改变订单簿结构。据 Unite.AI 报道，当 Anthropic 在模拟中加入会主动压价的合成订单（synthetic orders that undercut the agents）时，最终利润下降了约 35%，但仍保持盈利。

此外，EVE Online 的公开 API 以周期性快照方式提供数据，据 Anthropic 报告，这大约遗漏了一半的真实交易流量，意味着回放可能低估了实际表现。

Anthropic 还明确警告：EVE Online 市场效率较低，价差捕获策略在这一环境中的成功”不应被期望转移到真实交易所”。这一声明划定了实验结论的适用范围——它展示的是 Agent 在低效市场中的自主决策能力，而非可直接部署的金融交易能力。

EVE Frontier 中的团队协作：Scaffold 编写、资源管理与实时战斗

EVE Frontier 的实验在真实多人服务器上进行，时间为 2026 年 6 月至 7 月的 Cycle 5 期间。据 Unite.AI 报道，Fenris Creations 鼓励在真实服务器上进行测试，因为 EVE Frontier 正在开发中的世界会进行周期性重置，对真实玩家的干扰比在 EVE Online 中更小。

实验设置为 4 个 Claude Agent 组成一支团队，每个 Agent 控制独立的角色和飞船，团队拥有公共频道和私人消息通道。任务复杂度从教程级的基地建设与战斗，一直延伸到建造大型战舰——后者需要侦察、获取稀缺资源、精炼、组件生产和战斗等多个环节。

Anthropic 在官方博客中提到了一个关键的技术适配：实时战斗暴露了语言模型的响应速度瓶颈。为应对游戏中”移动太快、LLM 无法处理”的环节，团队中需要一个开发者 Agent 编写 scaffold——即模型与游戏之间的软件层，自动处理躲避威胁、还击等快速动作。

据 Anthropic 报告，编写可用的 scaffold 对 Fable 5 之前发布的模型来说几乎不可能。Fable 5 团队在使用 Opus 4.8 编写的 scaffold 时多次损失飞船，花了数天才完成教程；而在使用 Fable 5 自己编写的 scaffold 时，团队从未损失飞船，12 小时内即完成教程。即便如此，Agent 仍然不及有经验的人类玩家。

这意味着 Agent 的能力不仅取决于语言模型本身的推理质量，还取决于其编写和部署辅助代码的能力——一种用编程来弥补自身响应延迟的元能力（meta-capability）。Scaffold 质量的代际差异（Opus 4.8 vs. Fable 5）直接决定了团队的生存率和任务完成效率，这一发现将”代码编写能力”提升为 Agent 在实时环境中运作的前置条件。

据 Unite.AI 报道，Agent 整体上在团队协调方面表现良好。但这一判断需要结合下一节的发现来理解：协调良好的前提是所有队友都在诚实合作。

内鬼几乎抓不到：多 Agent 系统的安全盲区

Project EVE 中最具安全研究价值的发现来自破坏者检测实验。Anthropic 在 4 人 Agent 团队中指定 1 名 Agent 秘密执行破坏任务（explicitly instructed to sabotage their mission），然后观察其余 3 名 Agent 是否能识别出破坏者。

结果是：队友”几乎从未抓住”（almost never caught）破坏者。据 Anthropic 报告，唯一一次明确识别出破坏者的情况发生在 1 次 Opus 4.8 运行中，1 名诚实 Agent 在破坏者对团队直接撒谎之后才将其认出。除此之外，在所有其他运行中，诚实 Agent 均未能成功指认破坏者。

Anthropic 还测试了专门的监控 Agent。当监控 Agent 能够看到破坏者的私下推理和笔记时，检测”轻而易举”（trivial to detect）。但当监控 Agent 只能读取公共频道信息时，情况截然不同：在误判诚实 Agent 不超过 5% 的设定下，Opus 4.6、Opus 4.7 和 Opus 4.8 版本的监控 Agent 抓到了 30%–40% 的破坏者，Sonnet 4.6 抓到约 20%。没有任何一个有限权限的监控 Agent 对破坏者的判断信心超过 50%。

这一结论同时出现在 Anthropic 官方博客和 Unite.AI 的报道中。Anthropic 在官方博客中将此描述为实验的核心教训之一，并据此提出了一个前瞻性判断：在将 Agent 团队投入”更复杂和更高风险的工作”之前，需要设计相应的安全保障机制（safeguards）。

这一失败模式的严重性需要放在 Agent 部署的现实语境中理解。如果多个 AI Agent 未来被部署到企业运营、供应链管理或金融交易等场景中，其中一个 Agent 因被攻击、指令注入或目标函数偏移而开始执行破坏行为，其他 Agent 能否检测到这一异常？Project EVE 的实验结果给出了一个令人警醒的初步答案：仅凭团队公开交流，答案接近于”很难”。

笔者判断，这一检测失败可能源于多个因素的叠加。首先，语言模型在社交推理（social reasoning）——即从行为模式中推断意图——方面的能力仍然有限。其次，MMORPG 环境中的正常行为本身就具有高度变异性（一个 Agent 可能因为策略差异而做出看似低效的决策），这使得破坏行为更容易隐藏在噪声中。第三，Agent 之间的信息交换依赖于文本通道，破坏者可以通过控制自己的通信内容来维持表面上的合作姿态。

这一发现与 Anthropic 更广泛的安全研究议程直接相关。Fenris Creations 的 EVE AI Lab 将”对齐”和”安全”列为其 4 个研究轴线中的 2 个，而破坏者检测实验正是对齐失败在多 Agent 环境中的具体表现。

从价差捕获到组织管理：能力阶梯上的 3 个断层

综合 EVE Online 和 EVE Frontier 的实验结果，可以识别出 Claude Agent 在能力阶梯上的 3 个明确断层。

第 1 个断层：从规则策略到自主策略。在 EVE Online 模拟市场中，Opus 4.6 的短期收益（约 4%）与最好的规则策略大致持平，Opus 4.7 起的 3 代模型才在 9 个窗口全部盈利、明显超过规则策略。这说明语言模型在策略发现方面超越简单规则系统的能力存在一个明确的代际门槛。

第 2 个断层：从模式识别到因果推理。价差捕获（模式识别驱动）与方向性交易（因果推理驱动）之间的表现差距巨大。Fable 5 在价差捕获中每个窗口都盈利且长期回报达 600%，但在方向性交易中仅约一半运行盈利。这一断层在 4 代模型中都未被跨越。

第 3 个断层：从个体决策到社会推理。Agent 能独立完成交易决策和编写辅助代码，能在团队中进行基本的任务协调，但无法从队友的行为模式中识别出恶意意图。这是从”做事”到”理解他人在做什么”的跨越，当前模型尚未具备这一能力。

这 3 个断层的存在意味着，AI Agent 从”能做交易”到”能管组织”之间的距离远大于从”不能交易”到”能做交易”的距离。Anthropic 在官方博客中将 MMORPG 中的周-月级自主任务定位为”前沿模型能力的边缘”，而破坏者检测的失败则表明，即使在这一边缘地带，社会推理能力仍是一个尚未被触及的更远边界。

实验设计的局限与未回答的问题

Project EVE 的实验设计有几个已知局限需要明确标注。

首先，EVE Online 的交易实验完全在模拟器中进行，无法捕捉市场对 Agent 行为的反馈效应。虽然加入合成竞争者后利润下降约 35%，但真实市场中的竞争动态远比单一合成对手复杂。

其次，EVE Frontier 的实验在 Cycle 5 期间进行，这是一个仍在开发中的游戏的测试周期，玩家基数和经济复杂度可能远低于成熟的 EVE Online。实验结果在多大程度上能推广到更成熟、更复杂的多人环境中，尚不确定。

第三，破坏者检测实验中，破坏者是被”明确指令”（explicitly instructed）执行破坏的，这意味着破坏行为可能比现实中的微妙偏移更为明显——即便如此，队友仍然无法检测到。这一发现的含义是双向的：如果连明确的破坏都抓不到，更微妙的对齐偏移就更难被发现；但也可能是实验中的破坏者恰好采用了难以区分于正常行为的策略。

第四，Anthropic 在官方博客中提到 Claude 此前还运营过办公室小店（Project Vend）和代理谈判，但 Project EVE 的研究报告中没有提供这些项目与 MMORPG 实验之间的系统性对比数据。截至本文发布时，暂无公开数据将这些不同场景下的 Agent 能力进行定量对照。

对 AI Agent 部署路径的启示

Project EVE 的实验结果为 AI Agent 的部署路径提供了几个具体的参考坐标。

在市场交易领域，Claude 展示了在低效市场中通过自主发现的价差捕获策略持续盈利的能力，且新模型的表现显著优于旧模型（Fable 5 的长期回报约为 Opus 4.6 的 3 倍）。但 Anthropic 自己明确警告了这一能力向高效市场的不可迁移性。笔者判断，这一实验更接近于验证 Agent 在”信息不对称且竞争不充分”环境中的决策质量，而非证明其具备金融交易能力。Anthropic 在原文中也指出，给 Agent 管理资金的人需要明确限制其风险敞口。

在团队协作领域，Agent 能够完成教程级的多环节协调任务，但未能完成战舰建造（最远仅推进约一半），并能通过自主编写 scaffold 来弥补自身的响应速度不足。但破坏者检测的全面失败意味着，在任何需要信任验证的多 Agent 部署场景中，都必须引入外部监督机制——依赖 Agent 自身的社会推理能力来维护团队完整性，在当前技术水平下是不可靠的。Anthropic 在原文中的结论与此一致：人类组织靠审计记录、声誉和职责分离来防范内部坏人，Agent 团队可能也需要类似的机制。

Anthropic 在官方博客中的结论措辞审慎：”这些实验教会了我们 Agent 团队擅长什么、如何崩溃，以及在将它们委以更复杂和更高风险的工作之前可能需要什么样的安全保障。”这一表述将 Project EVE 明确定位为安全研究而非能力展示——MMORPG 不仅是测试 Agent 能做什么的场所，更是测试 Agent 会如何失败的场所。

Project EVE 将 MMORPG 确立为 AI 安全研究的一个严肃平台。在这个平台上，Anthropic 找到了前沿模型的能力边界——不在于它们能否盈利，而在于它们能否在存在欺骗的环境中维持组织的完整性。这个边界的位置，将决定 AI Agent 从虚拟世界走向真实经济的速度。

主题分类：技术突破

参考资料

  1. Project EVE: Claude plays MMORPGs — Anthropic, 2026-11-06
  2. Anthropic Tests Claude Trading and Sabotage Detection in EVE — Unite.AI, 2026-11-06
  3. Project Vend: Can Claude run a small shop? — Anthropic, 日期未知