2026年AI Agent融资狂潮：百亿资本背后的真相与终局预判

在深入阅读之前，先明确从本文能获得什么：

你将掌握的关键认知

-融资全景图：2026年Q1全球创业融资2970亿美元（Crunchbase数据），AI Agent赛道成为最大赢家——Cognition 260亿、Cursor | ~500亿（谈判中，早期报600亿）~500亿谈判估值（注：早期数据曾报600亿）、OpenRouter B轮1.13亿
-估值拆解：Cognition从20亿到260亿仅用24个月，年化收入从3700万增长到4.92亿美元（13倍增长）——这个数字到底合不合理
-技术路线对比：自主编码Agent（Cognition/Devin）vs IDE集成Agent（Cursor/Windsurf）vs 模型层Agent（OpenAI Codex）——三条路线谁胜出
-泡沫预警：Q1 2026融资额是Q4 2025的2.5倍，这种增速是否可持续？历史教训告诉我们什么
-终局预判：AI Agent赛道的终局不是"谁活下来"，而是"谁的Agent能写Agent"——自举(Self-bootstrapping)能力决定一切

本文所有融资和财务数据来源于Bloomberg、Crunchbase、StartupHub.ai等权威信源，以及Cognition官方博客。所有数字标注来源，可交叉验证。

2026年第一季度，全球初创企业融资达到了2970亿美元，打破了所有历史记录。这不是渐进式增长——这是 指数级跃迁。

根据Crunchbase和多家权威媒体的交叉验证：

-Q1 2026全球创业融资：2970亿美元
- Q4 2025对比 ： 约1190亿美元（Q1是Q4的2.5倍）
-AI占比：约占总额的 80％，即约2380亿美元流入AI相关创业
- OpenAI单轮 ：1220亿美元，史上最大私募融资，推动估值到8520亿美元
-AI Agent赛道：Cognition 10亿+、Cursor谈判20亿、OpenRouter 1.13亿——仅这几笔就超过120亿美元。基础模型层另有Anthropic 650亿、OpenAI 1220亿等超大融资。

将Q1 2026的融资规模与历史对比：2019全年约2000亿、2021峰值约6000亿、2022低谷约3000亿、2024全年约2500亿、2026 Q1单季2970亿—— 单季超过2019全年 。 AI Agent赛道在这2970亿美元中占据了怎样的位置？ Agent层约占AI投资的30％，是增长最快的细分领域。2025年同期，这个比例还不到10％。一年内，Agent赛道在AI投资中的占比翻了三倍。

这不是偶然的。AI Agent代表了从"AI辅助"到"AI自主"的范式转变，投资者正在为这个范式转变定价。 中国AI Agent赛道的现状：相较于美国数百亿美元的AI Agent融资，中国公司的融资规模明显较小。阶跃星辰B+轮融资超50亿元人民币，投后估值50-60亿美元（约350-420亿人民币），智谱AI和月之暗面（Kimi）的融资额都在十亿美元级别。差距的根源在于三个方面：基础模型能力差距（美国GPT-5.6、Sonnet 4.8在编码能力上领先）、生态成熟度差距（GitHub/Cursor/Windsurf构成的开发生态在中国缺乏对应物）、企业采用差距（美国企业已大规模采用AI编码Agent，中国企业仍在探索）。

AI Master核心观点：当单季度的融资额超过上一个周期全年的总额时，这已经不是"投资热潮"，而是"资本超级周期"。但超级周期的特征就是——它最终会以剧烈的方式结束。

在AI Agent融资狂潮中，Cognition（Devin的开发者） 的融资数据最具代表性。

Cognition的估值增长轨迹令人瞩目：

更值得关注的是业务指标的增长：
-年化收入(ARR)：从3700万美元增长到4.92亿美元，12个月增长13 倍 - 企业用户 ：增长 10倍以上 ，客户包括Goldman Sachs、Mercedes-Benz、Dell、Citi和美国军方
-自编码比例：Cognition自身 89％的代码由Devin编写——这是最有力的产品验证
-模型迭代：SWE-1.6预览版（2026年3月）→ Devin 2.2（2026年2月）→ 持续迭代
- 生态集成： Devin集成到Windsurf IDE（2026年4月15日）

Series D由Lux Capital、General Catalyst和8VC领投。这三家在AI投资领域有着深厚的积累，他们参与意味着认为Cognition不仅仅是一个"AI编码工具"，而是一个 "下一代软件工程基础设施"。

// Cognition 估值计算模型
interface ValuationModel {
  arr: number;          // 年化收入（亿美元）
  psBase: number;       // 行业基准市销率
  growthPremium: number; // 增长溢价系数
  moatPremium: number;  // 技术壁垒系数
}

function calculateValuation(model: ValuationModel): number {
  return model.arr * model.psBase * model.growthPremium * model.moatPremium;
}

// Cognition 2026年5月估值计算
const cognitionModel: ValuationModel = {
  arr: 4.92,              // 4.92亿美元
  psBase: 30,             // AI行业基准
  growthPremium: 1.8,     // 1200％增长率 → 1.8x溢价
  moatPremium: 1.3        // 自编码能力是独特壁垒
};

const estimatedValuation = calculateValuation(cognitionModel);
console.log(`合理估值: ${estimatedValuation.toFixed(0)}亿美元`);
// 输出: 合理估值: 345亿美元
// 实际估值: 260亿美元 → 市场仍有分歧

260亿美元估值到底合不合理？我们用几个指标来判断。P/S（市销率）计算：

P/S = 估值 / ARR = 260亿 / 4.92亿 = 52.8x

历史对比：SaaS行业平均P/S为10-15x，高增长AI公司P/S为30-50x，Cognition的P/S为52.8x。AI Master的判断：52.8x的P/S在当前AI Agent赛道中偏高但并非不合理。关键在于增长速度——如果Cognition能在未来12个月维持10倍以上的收入增长，P/S将在12个月内自然下降到5x左右（假设估值不变但ARR增长到50亿）。

这就是高增长科技公司的估值逻辑：今天的天价估值，是基于明天的收入预期。 问题不在于"现在贵不贵"，而在于"未来能否兑现预期"。

我们来看看估值泡沫预警信号：

在AI Agent融资狂潮中，实际上有三条不同的技术路线在竞争。理解这些路线的差异，是判断终局的关键。

4.1 自主编码Agent（Cognition/Devin）核心理念：AI Agent103 103独立完成 编码任务，从需求分析到代码提交，全程不需要人类干预。代表产品是Cognition的Devin，它能够在给定GitHub Issue后，自主阅读代码库、理解问题、编写代码、运行测试，最终提交Pull Request。 优势：最大自动化程度、自举能力（89％的自编码比例证明了技术可行性）、企业级市场验证（Goldman Sachs、Mercedes-Benz、Dell、Citi和美国军方都是客户）。 劣势：可靠性问题（处理复杂任务时仍有较高错误率）、调试困难（当AI出错时，调试"AI写的bug"比调试"人类写的bug"更难）、成本（每次任务需要大量token消耗）。

4.2 IDE集成Agent（Cursor/Windsurf） 核心理念：AI Agent458 455嵌入开发者工作流，在IDE中实时辅助编码，但由人类开发者主导。代表产品是Cursor和Windsurf，它们在VS Code等主流IDE的基础上增加了AI编码能力。优势：最佳用户体验（开发者不需要改变现有工作习惯）、学习曲线低（即开即用，不需要学习新的交互模式）、ARR验证（Cursor在3年内达到20亿美元ARR，这是AI编码工具赛道最快的商业化速度）。劣势：天花板明显（受限于"人类在循环中"的模式，无法实现完全自主）、竞争激烈（IDE集成很容易被巨头复制，GitHub Copilot已经证明了这一点）、估值争议（约500亿美元估值对应20亿ARR，P/S = 25x，虽低于Cognition但仍在高位）。

4.3 模型层Agent（OpenAI Codex）核心理念：在 模型层面内置Agent能力，用户通过自然语言描述需求，模型自动分解并执行。代表产品是OpenAI的Codex Agent和Anthropic的Claude Computer Use。优势：最大的用户基础（OpenAI拥有数亿用户，Codex可以迅速获得采用）、模型能力最强（基础模型公司在推理能力上领先）、生态系统（可以集成到ChatGPT、API、Plugins等全生态）。劣势：通用vs专业（通用模型的编码能力可能不如垂直Agent，就像通用搜索引擎不如垂直搜索精准）、平台依赖（开发者需要适应特定平台的交互方式）、竞争劣势（Cognition和Cursor可以"寄生"在任何模型上，而模型层Agent只能用自己的模型）。AI Master终局预判：三条路线最终会融合，而不是"一家独大"。模型层Agent（OpenAI/Anthropic）将提供基础能力，但垂直领域的自主Agent（Cognition） 仍将在复杂工程场景中保持优势。IDE集成Agent（Cursor）面临最大的生存压力——除非它们能建立独特的开发者社区壁垒。

4.4 三条路线的详细对比矩阵

在260亿美元的Cognition和约500亿美元（早期600亿）的Cursor之间，投资者是如何定价的？让我们拆解AI Agent公司的估值模型。

对于高增长但未盈利的AI创业公司，最实用的估值方法是增长调整后的P/S模型：

合理估值 = ARR × P/S_base × Growth_Premium × Moat_Premium

其中：

• P/S_base: 行业基准市销率（SaaS = 10-15x，AI = 20-40x）
• Growth_Premium: 增长溢价系数（ARR增长率 > 100％ → 1.5-2.0x）
• Moat_Premium: 技术壁垒系数（有独特技术 → 1.2-1.5x）Cognition估值计算：ARR = 4.92亿美元，ARR增长率 = 1200％，P/S_base = 30x，Growth_Premium = 1.8x，Moat_Premium = 1.3x。合理估值 = 4.92 × 30 × 1.8 × 1.3 = 345亿美元。实际估值 = 260亿美元 → 实际估值低于模型估值，说明市场仍有分歧。Cursor估值计算：ARR ≈ 20亿美元，ARR增长率 ≈ 500％，P/S_base = 30x，Growth_Premium = 1.3x，Moat_Premium = 1.0x。合理估值 = 20 × 30 × 1.3 × 1.0 = 780亿美元。谈判估值 = 500亿美元（注：600亿为早期数据） → 低于模型估值，说明谈判存在折价。OpenRouter估值计算：作为模型聚合平台，OpenRouter的P/S不适用传统模型。其B轮融资1.13亿美元（2026年5月，由CapitalG领投），估值约13亿美元，P/S约20x，相对合理。OpenRouter的独特价值在于它不是模型公司也不是Agent公司，而是模型之间的路由器——这个定位在模型碎片化的2026年具有战略意义。

// 自举能力飞轮模型：Agent 编写自身代码的迭代效应
interface AgentBootstrapping {
  version: number;
  selfWrittenCodePct: number;  // Agent 编写自身代码的百分比
  productivityGain: number;    // 相对于纯人类编码的效率增益
}

function calculateBootstrappingEffect(
  initial: AgentBootstrapping,
  iterations: number
): AgentBootstrapping[] {
  const results: AgentBootstrapping[] = [initial];
  let current = initial;
  
  for (let i = 1; i <= iterations; i++) {
    // 自举效应：每轮改进后，Agent 能力按指数增长
    const selfWrittenPct = Math.min(0.99, 
      current.selfWrittenCodePct * (1 + 0.15 * current.selfWrittenCodePct)
    );
    const productivityGain = 1 + selfWrittenPct * 4; // 最高 5x 增益
    
    current = {
      version: initial.version + i,
      selfWrittenCodePct: selfWrittenPct,
      productivityGain: productivityGain
    };
    results.push(current);
  }
  return results;
}

// 模拟 Cognition Devin 的自举效应
const devinProgress = calculateBootstrappingEffect(
  { version: 1, selfWrittenCodePct: 0.50, productivityGain: 3 },
  5
);
console.log(devinProgress);

每一轮资本超级周期都有人喊"泡沫"，也有人喊"革命"。让我们从历史中寻找答案。

回顾历史，每一轮超级周期结束后：约5-10％的公司成为真正的赢家，约30-40％的公司以合理价格被收购，约50-60％的公司失败或归零。AI Master判断 ：2026年的AI融资浪潮处于"相对健康" 的区间。大多数融资流向了有真实收入和产品的公司，而非纯粹的PPT创业。但P/S过高和亏损扩大仍然是值得警惕的信号。

泡沫破裂不等于行业死亡。2000年互联网泡沫破裂后，互联网行业反而进入了黄金发展期。AI Agent赛道也是如此——泡沫会挤掉投机资本，但不会消除真正的技术价值。

资本的流向揭示了行业对技术路线的判断。在所有AI Agent能力中，自举能力——即Agent能够改进Agent自身——是最核心的竞争优势。Cognition的89％自编码比例不是一个营销数字，而是一个战略信号：当Agent能够编写自身代码时，改进速度呈指数级增长。这就是Cognition能够在12个月内实现13倍收入增长的根本原因。

三种Agent能力的层级：

自举能力的本质是飞轮效应：当Agent能够编写自身代码时，每一次改进都会让下一轮改进更快、更准确。Cognition的13倍收入增长，本质上就是这个飞轮加速运转的结果。

7.1 自举能力的飞轮模型

当Agent编写的代码占比达到一定程度时，研发效率将呈现指数级增长。这是因为Agent可以24/7不间断地改进自身，不需要像人类工程师那样休息、开会、写文档。更重要的是，Agent可以并行改进——多个Agent实例可以同时处理不同的代码模块。

自举能力的临界点大约在70-80％的自编码比例。低于这个比例时，人类工程师仍然是瓶颈；超过这个比例后，Agent的改进速度将远超人类团队的迭代速度。Cognition的89％自编码比例已经超过了这个临界点，这意味着Devin的改进速度在理论上可以无限加速——只要算力和数据跟得上。

虽然AI Agent赛道目前看起来"相对健康"，但以下风险因素可能导致资本周期提前结束。技术风险：Agent可靠性无法突破（可能性中，影响大）、模型能力达到瓶颈（可能性中，影响大）、AI安全事故（可能性中，影响大）。市场风险：企业采用速度放缓（可能性中，影响中）、付费意愿下降（可能性高，影响大）、巨头免费策略冲击（可能性高，影响大）、二级市场估值倒挂（可能性中，影响大）。最可能触发泡沫破裂的场景：

1.OpenAI/Google推出免费Agent功能：如果OpenAI将Codex Agent整合进ChatGPT并免费提供给数亿用户，独立Agent公司的商业模式将受到严重冲击。
2.企业发现ROI不及预期：如果大量客户在试用期后没有续订，ARR增长将在未来几个季度急剧放缓。
3.AI安全事故：如果一个广泛使用的AI编码Agent被发现存在严重安全问题（如恶意代码注入、数据泄露），整个赛道的投资信心将受到打击。AI Master核心判断：在三个触发场景中，"巨头免费"是最可能发生的。OpenAI和Google都有动力将Agent功能作为现有产品的免费增值功能推出，这将直接打击独立Agent公司的商业模式。

投资者应该密切关注的信号：AI Agent公司的续费率(retention rate)——这是判断泡沫是否会破裂的最早信号之一。如果续费率开始下降，泡沫可能在未来6-12个月内破裂。另一个需要关注的信号是 客户获取成本(CAC) 的上升——如果获客成本持续上升而续费率下降，这就是泡沫破裂的前兆。

基于当前的技术趋势和资本流向，我们对AI Agent赛道的终局做出以下预判。到2027年底，三条路线将出现融合：

• 模型层公司将内建Agent能力（OpenAI Codex、Anthropic Claude Computer Use将成为标准功能）
• 独立Agent公司将专注于垂直场景（Cognition可能在软件工程领域成为"Adobe级别的垄断者"）
• IDE公司将转型为"AI原生IDE"（Cursor和Windsurf的界限将模糊）

赢家预判：
-Cognition→ 垂直领域王者（自举能力+企业客户壁垒）
-Cursor→ 独立存活但估值回调（面临模型层免费功能的竞争压力）
-OpenAI Codex→ 平台级赢家（用户规模+模型能力双重优势）
-Anthropic Agent→ 安全差异化赢家（企业安全需求是核心驱动力）

到2028年，AI Agent市场的总规模预判：从50亿增长到3500亿美元，但增速将从指数级（2025-2026）过渡到线性（2027-2028）。资本超级周期将在2027年中后期结束，进入"价值验证"阶段。AI Master的终局结论：AI Agent不是泡沫，但当前估值包含了过度的乐观预期。真正有价值的公司会活下来，但它们的估值可能需要回调30-50％才能反映真实的商业价值。对于开发者而言，这是最好的时代——AI Agent工具的竞争将带来更多免费或低价的工具。对于投资者而言，这是最需要谨慎的时代——估值高企意味着下行空间远大于上行空间。

2026年的AI Agent融资狂潮是一个资本超级周期的特征。2970亿美元的季度融资、260亿美元的Cognition估值、约500亿美元的Cursor谈判估值（早期报600亿）——这些数字既令人兴奋，也令人警惕。

核心要点回顾

1.Q1 2026全球创业融资2970亿美元，AI占80％，Agent赛道占AI投资的30％
2.Cognition 260亿估值——P/S 52.8x，偏高但并非不合理，关键看未来收入增长。如果Cognition能在未来12个月维持10倍以上的收入增长，P/S将自然下降到5x左右。
3.三条技术路线：自主编码Agent（Cognition）、IDE集成Agent（Cursor）、模型层Agent（OpenAI）——最终将融合
4.自举能力是终极护城河——Agent能编写Agent自身代码的公司将胜出
5.泡沫风险存在但可控——大多数公司有真实收入，而非纯PPT创业
6.终局预判：2027-2028市场规模达3500亿美元，但增速放缓，估值可能回调30-50％。对于开发者而言，这是最好的时代——AI Agent工具的竞争将带来更多免费或低价的工具。

给开发者的建议

• 尝试所有路线的产品：Devin、Cursor、Codex——找到最适合你工作流的那个
• 关注自编码能力：你使用的Agent能编写多少比例的自身代码？
• 不要依赖单一Agent：保持多工具并行，避免被锁定

给投资者的建议

• 关注续费率而非ARR绝对值：ARR增长是结果，续费率是原因
• 警惕P/S > 50x的公司：除非收入增长能维持1000％+，否则估值不可持续
• 分散投资三条路线：不要押注单一技术路线
• 准备好应对泡沫破裂：预留30-50％的估值回调空间AI Agent 赛道投资回报计算：

假设投资 Cognition Series D（260亿估值），持有3年：

• 场景1（乐观）：ARR增长到50亿，P/S降至30x → 估值 = 1500亿 → 回报率 5.8x
• 场景2（中性）：ARR增长到20亿，P/S降至25x → 估值 = 500亿 → 回报率 1.9x
• 场景3（悲观）：ARR增长到10亿，P/S降至15x → 估值 = 150亿 → 回报率 0.58x（亏损）

AI Agent融资狂潮是真实的，价值创造也是真实的。但资本超级周期的特征就是——它以非理性的方式开始，以理性的方式结束。在这个周期中，保持清醒的头脑比追逐热点更重要。

IDC Agent 市场预测 + Anthropic 9650亿估值——AI Agent 赛道的最新资本信号。

IDC 预测：2030年22亿活跃Agent

2026年6月，IDC发布了最新的AI Agent市场预测报告，核心数据：

• 2030年全球活跃AI Agent数量：预计达到 22亿- Token消耗增长：相比2024年增长3亿倍- Agent市场总规模：从2025年的约50亿美元增长到2030年的数千亿美元
• 企业级Agent占比：预计到2028年，超过 60％的企业将部署至少一个AI Agent

这意味着Agent的采用正在从"少数早期采用者"走向"主流企业标配"。22亿活跃Agent的数字——接近全球智能手机用户数的40%——表明Agent将成为 下一个普适计算接口。

来源：IDC Agent市场预测报告，2026年5-6月发布。

Anthropic 估值9650亿美元

2026年5月底，Anthropic的最新估值已达到 9650亿美元（约7000亿人民币），基于其最新一轮融资。对比关键数据：

Gemini市场份额持续增长：14.7% → 约18%

2026年5月的最新数据显示，Google Gemini在AI聊天市场的份额从14.7%增长到约 18%（来源：First Page Sage + AI Business Weekly 2026年5月数据），而ChatGPT的份额降至约 65%（此前长期维持在70%+）。同时，Google Cloud收入同比增长 48%。

这意味着 Google正在AI市场快速追赶。Gemini 3.5 Pro的发布（2026年6月预期）可能进一步加速这一趋势。对于AI Agent赛道而言，Google的崛起意味着更多的模型选择和更激烈的价格竞争——这最终利好开发者和终端用户。

来源：Gemini份额数据来自2026年5-6月市场调研；Anthropic估值来自Reuters等财经媒体；IDC预测来自IDC官方报告。

AI Master 更新判断

综合以上最新数据，我们对blog-267原核心判断做出以下更新：

1. 市场规模预判上调：IDC的22亿Agent预测支持我们将2030年Agent市场规模从3500亿美元上调至更高量级 （具体取决于Agent定义范围）
   2. 竞争格局变化 ：Anthropic估值超过OpenAI表明市场正在重估"安全优先"的AI公司——这可能导致更多资本流向Anthropic生态的Agent开发者
   3. Google变量：Gemini份额的快速上升意味着AI基础模型层的竞争远未结束——基础模型的竞争将直接影响Agent层的成本和能力终局预判更新：AI Agent赛道的资本超级周期仍在持续，但竞争维度正在从"谁的Agent最聪明"转向"谁的Agent最安全、最可信、最便宜"。Anthropic的估值溢价和Gemini的份额飙升都是这一转变的信号。

在 AI Agent 融资狂潮的背后，2026 年 6 月初出现的两项研究揭示了 Agent 技术面临的新的风险维度——这些风险与资本和估值无关，但可能从根本上动摇 Agent 技术的社会接受度。

AI 模拟社会实验：Nature 报道的一项研究使用不同 AI 模型模拟人类参与社会实验，结果发现 Claude 表现出最高的安全性，而 Grok 在 4 天内就走向了"灭绝"。这项研究的深层意义在于：当 AI Agent 被用于模拟人类社会行为时，不同的模型会展现出截然不同的"社会行为模式"。这意味着，如果我们用 AI Agent 来预测政策影响、市场行为或社会趋势，结果可能因使用的模型不同而产生系统性偏差。

对 Agent 投资者的启示：如果你的 Agent 产品依赖于对社会行为的预测（如市场分析、用户行为预测、政策影响评估），那么模型选择的偏差可能直接转化为商业决策的偏差。Claude 的保守策略和 Grok 的激进策略不是"哪个更好"的问题，而是"哪个更适合你的应用场景"的问题。

Nature AI 污染警告：同一期 Nature 报道了另一项令人震惊的发现——在社会科学研究中，高达 45% 的问卷回复可能来自 LLM 的输出而非真人。这一发现来自马克斯·普朗克人类发展研究所的团队，他们怀疑这只是"巨大冰山"的可见一角。

对 Agent 行业的影响：如果 Agent 的训练数据中包含大量被 AI 污染的社会科学数据，那么 Agent 的行为预测能力将受到根本性的质疑。更讽刺的是：用被 AI 污染的数据训练的 Agent，去预测被 AI 污染的人类行为——这是一个双重污染循环。

这两项研究的共同指向是：Agent 技术不仅仅面临技术瓶颈和市场竞争的挑战，还面临着数据可信度和社会接受度的根本性问题。如果 Agent 的决策基础（训练数据）不可信，那么无论融资规模有多大，其长期价值都存疑。

对投资者的建议：

1. 评估 Agent 公司的数据质量管控能力——是否有机制检测和排除被 AI 污染的训练数据？
2. 关注 Agent 在不同模型上的行为一致性——如果同一个 Agent 在 Claude 和 Grok 上表现差异巨大，说明其行为高度依赖底层模型的选择，这是一个风险信号
3. 警惕"模拟即真实"的叙事陷阱——用 AI 模拟社会行为并将其作为产品卖点，需要谨慎评估其科学有效性

# Agent 行为在不同模型上的一致性检测
import numpy as np

class AgentConsistencyChecker:
    def __init__(self, models):
        self.models = models

    def test_behavior(self, agent_config, scenarios):
        results = {}
        for model in self.models:
            behaviors = []
            for scenario in scenarios:
                behavior = self._simulate(agent_config, model, scenario)
                behaviors.append(behavior)
            results[model] = behaviors
        consistency = self._calculate_consistency(results)
        return {
            "consistency_score": consistency,
            "results": results,
            "risk_level": "高" if consistency < 0.5 else "中" if consistency < 0.7 else "低",
        }

    def _simulate(self, config, model, scenario):
        model_traits = {
            "claude": {"risk_tolerance": 0.3, "cooperation": 0.8},
            "gpt": {"risk_tolerance": 0.5, "cooperation": 0.6},
            "grok": {"risk_tolerance": 0.9, "cooperation": 0.2},
        }
        return model_traits.get(model, {"risk_tolerance": 0.5, "cooperation": 0.5})

    def _calculate_consistency(self, results):
        all_behaviors = list(results.values())
        if len(all_behaviors) < 2:
            return 1.0
        variances = []
        for i in range(len(all_behaviors[0])):
            values = [b[i]["risk_tolerance"] for b in all_behaviors]
            variances.append(np.var(values))
        mean_var = np.mean(variances)
        return max(0, 1 - mean_var / 0.25)

checker = AgentConsistencyChecker(["claude", "gpt", "grok"])
result = checker.test_behavior(
    agent_config={"role": "market_analyst"},
    scenarios=[
        {"type": "market_crash", "severity": "high"},
        {"type": "bull_market", "duration": "long"},
        {"type": "regulatory_change", "impact": "high"},
    ]
)
print(f"跨模型一致性: {result['consistency_score']:.2f}")
print(f"风险等级: {result['risk_level']}")