174个AI互相厮杀3个月，开发者发现共识才是最大陷阱

174个AI代理同时运行，零API成本，全部本地部署。这个数字本身已经够疯——更疯的是，它们被设计成互相攻击。

开发者Kalki-M搞了个叫BlackSwanX的对抗智能引擎。别的多代理系统教AI协作，他偏让它们打架。200个"公民代理"吵成一团，情绪崩溃，互相拆台， meanwhile一个"黑天鹅刺客"专门猎杀共识。整个系统跑在Ollama上，不花一分钱调用费，纯纯的本地算力狂欢。

从合作到对抗：一场反共识实验

传统预测工具的问题是，它们都在问"大多数人怎么想"。BlackSwanX问的是相反的问题：人群错在哪里？

系统里塞了各种奇怪角色。吠陀占星师（Vedic Astrologer）用星盘算趋势，恐慌抛售者（Panic Seller）专门在高点吓你跑路，混沌数学家（Chaos Mathematician）从噪声里找规律，Z世代文化解码器（Gen Z Culture Decoder）追踪 meme 风向，街头精明 hustler 会直接怼你："PPT挺好看，银行账户呢？"

这些代理不投票求平均。它们互相质疑、攻击、情绪传染，直到某个观点被"杀死"或幸存。

开发者原话：「我们不寻求共识。我们寻找最宽的裂缝——大众相信的与专家恐惧的之间的认知失调。那个裂缝里藏着超额收益（alpha）。」

对比现有方案，差距明显。BettaFish 要7个API密钥，MiroFish 要2个密钥加 Zep Cloud 账户，部署动辄30分钟还要配PostgreSQL。BlackSwanX 克隆下来2分钟跑通，ollama pull 两个模型，bash start.sh 完事。

公民代理数量更是碾压：BettaFish 没有，MiroFish 每轮约100个，BlackSwanX 直接拉到200个，用自研的 Shadow Swarm 框架模拟群体恐慌。

本地运行的隐藏野心

零API成本不只是省钱。它意味着你可以无限次运行，不用担心账单爆炸，不用被速率限制卡脖子。

开发者选了两个轻量模型：llama3.2:3b 和 phi4:14b。3B参数跑快速响应，14B参数处理复杂推理，分工明确。全部本地意味着数据不出机器，对金融预测这种敏感场景是硬性需求。

架构上，Shadow Swarm 比 MiroFish 用的 OASIS 框架更激进。OASIS 让代理社交互动，Shadow Swarm 让它们互相捕食。每个公民代理有情绪状态，会被邻居的恐慌感染，也会在压力下改变立场。

黑天鹅刺客是系统的核心创新。它不参与讨论，只观察。当检测到"共识形成"——也就是观点收敛、分歧消失——它就发起攻击，强制引入反方证据或极端场景，把讨论重新撕开。

这套机制直接针对一个认知偏差：群体极化。 人类和AI都一样，聊久了会互相强化，最后变成回声室。刺客的存在让系统永远处于"准崩溃"状态，逼出那些平时被压制的边缘观点。

"解决零个真实问题"的诚实

开发者在文档里写了一句罕见的诚实：「这优雅地解决了零个真实世界问题。」

它不预测股价，不给你交易信号，不保证回报。它只做一件事：找到人群的错误。至于那个错误什么时候变成现实，会不会变成现实，系统不负责。

这种定位让它更像一种思维工具，而非决策工具。你可以用它测试自己的信念有多脆弱，看看在什么条件下会动摇。对交易员来说，这可能是比预测更有价值的信息。

GitHub 仓库提供了完整代码和2分钟快速启动指南。demo 案例是"NVIDIA会在AI泡沫破裂时崩盘吗"——典型的黑天鹅问题，共识认为不会，但专家私下担忧。系统跑出来的不是答案，而是一堆互相矛盾、情绪饱满的论证，以及这些论证的漏洞。

174个代理的规模不是炫技。开发者测试过，低于150个时群体行为不够丰富，超过200个后边际收益递减，计算延迟开始拖累体验。174是本地硬件（具体配置未披露）和交互密度之间的平衡点。

目前项目处于早期阶段，贡献指南已经开放。核心待办包括：更多领域专家模板、可视化情绪传染网络、以及让刺客的攻击策略从随机进化到学习。