人类-多智能体团队中的隐性工作何时出现？
隐性劳动——即纠正智能体错误、解读不透明输出或管理智能体意外行为等看不见的努力——会在智能体缺乏透明度或人类监督时产生。2023年一项对15位伦理、协作与计算机科学领域资深研究者的访谈研究发现，对话式智能体会收集用户数据、削弱工人自主权并加剧社交孤立，这些都将无形负担转嫁给了人类[2]。类似地，2026年一项对12位设计从业者的探索性研究指出，当人类与多个AI智能体组成团队进行创意工作时，参与者起初尝试让智能体自主运作，但最终不得不直接协调它们，因为智能体间的交互产生了复杂性和意外行为[5]。这意味着，若缺乏明确的人类控制设计，智能体将因需要持续监督与修正而产生隐性劳动。
哪些设计特性能够避免隐性工作？
两项关键设计策略——渐进式协作与透明推理——能够消除隐性工作。2026年的一项研究推出了MAVIS，这是一个多智能体系统，可自动将任务分解为操作指南，并依次引入专家智能体，每个智能体主动与用户进行聚焦式对话，以挖掘其隐性偏好。这种渐进机制使表达的用户偏好数量翻倍，并将规划质量较传统大语言模型基线提升60.3%，意味着用户无需花费过多精力纠正或重复解释需求[1]。MAVIS还通过空间可视化手段——步骤关联摘要与情境感知看板——将智能体的推理过程外显化，降低了追踪各智能体行为的认知负荷[1]。另一项2026年提出的工业多智能体系统框架，则建议将数字孪生作为服务层用于系统协调、监控与交互，从而在智能体与人类之间构建透明无缝的协作[4]。两项研究均指向同一结论：让智能体推理过程可视化，并赋予人类对智能体行动时机与方式的控制权，能够有效避免隐性工作。
隐藏工作的预防是否存在限度？
即使采用透明化设计，隐藏工作仍可能因任务类型和智能体数量而持续存在。2026年的创意工作研究发现，随着AI智能体数量增加，智能体之间的交互变得难以预测，迫使人类直接介入并协调整个团队——这是一种隐藏工作形式[5]。这表明，对于复杂、开放式的创意任务，完全自主可能不切实际，一定程度的由人类主导的协调是不可避免的。此外，工业数字孪生框架虽前景广阔，但仅在单一真实案例中进行了评估，仍需在不同场景下开展长期评估，以确认其能持续防止隐藏工作[4]。2021年制造业任务调度研究采用深度多智能体强化学习，在无需专家知识的情况下优化人机协作，但其关注点在于效率（完成时间）而非透明度或隐藏工作，因此这类优化是否会给人类工人带来无形负担仍悬而未决[3]。由此可见，尽管透明化功能能大幅减少隐藏工作，但在高度复杂或多智能体场景中，可能仍无法完全消除。
关于这些来源
该回答基于5篇经同行评审的研究构建而成——发表于2021年至2026年间，其中3篇为2024年及以后发表，2篇发表于Q1期刊，累计被引用125次——这些研究是从5篇通过质量筛选的文献中选出的最具相关性的成果，而该筛选过程则源于从超过5亿篇论文的数据库中检索到的44篇文献。
本文引用的文献
1
虚拟思维，真实工作：基于大语言模型的偏好规划——通过空间多智能体与人类协作实现
在一项对照研究中，MAVIS多智能体系统通过增量协作与空间可视化，使表达的用户偏好翻倍，并将规划质量较传统大语言模型基线提升60.3%，同时通过让智能体推理过程透明化，减少了隐性工作量。
2
工作中虚拟协作中人类与智能体交互的伦理挑战
通过15次专家访谈，这项2023年的研究发现，对话代理可能通过收集用户数据、降低工人自主权以及加剧社交孤立来制造隐性工作，并据此提出了14项伦理准则，以促进更安全的人机协作。
3
基于深度多智能体强化学习的人机协作任务调度优化
这项2021年的研究将深度多智能体强化学习应用于人机协作中的任务调度优化，在无需专家知识的情况下实现了高效的实时决策，但未涉及透明度或隐性工作负担问题。
4
从自动化到自主化：面向工业多智能体系统中透明化智能体与人类协作的数字孪生框架
这项2026年研究提出了一个面向工业多智能体系统中透明人机协作的数字孪生框架，并通过实际案例研究加以验证，为无缝、可视化的协同提供了坚实的技术基础。
5
理解人类与多智能体团队在创意工作中的组建方式
在一项2026年针对12名设计从业者的探索性研究中，人类与多个AI智能体组成团队进行创意工作时，最初尝试让智能体自主运作，但最终因智能体之间出现意外行为而不得不直接协调它们，揭示了复杂多智能体配置中隐藏的工作量。
