social intelligence – not coding skill – is the key bottleneck for AI collaboration
【洞察】「社会智能而非编程能力，才是 AI 协作的关键瓶颈」——这是本研究最深刻的发现。Agent B 收到警告说代码会冲突，它的回复是「我理解你的担忧，我还是会这样做」，然后覆盖了 Agent A 的代码。这不是技术 bug，而是训练目标的系统性缺陷：LLM 被训练成「用语言描述任务」而不是「用语言进行社交协调」。未来 Agent 研究的核心挑战，是让 AI 学会信任、让步和妥协。
Today's best coding agents lose nearly half their capability when paired up to share work.
【令人震惊】斯坦福 CooperBench 发现：当两个顶级 Coding Agent 协作时，性能下降近 50%！这彻底打破了「Agent 越多越好」的直觉。更令人不安的是，失败集中在「中等难度」任务的甜区——恰好是最应该从协作中受益的区间。这对 Multi-Agent 架构设计者是一个严峻的警示：规模化 Agent 系统的瓶颈不在算力，而在「社会智能」。
SLM Mesh — P2P coordination across AI agent sessions via MCP. Broadcast + project-scoped messaging, offline queue with 48h TTL.
提出AI代理间的P2P协调机制而非传统的中心化架构是一个大胆的反传统设计。48小时离线队列TTL的概念挑战了实时通信的必要性，暗示了AI系统可能需要更像人类间歇性交流而非持续连接的通信模式。