「如果成员可以随便挑，又需要组一支实力强劲的管理团队，该怎么组？」
梅雷迪思·贝尔宾有办法找答案。来英国亨利管理学院上课的经理们，要玩一个叫「高管管理演练」的商业游戏，分成一家家「公司」互相竞争。按贝尔宾公司对这项研究的介绍，每个参加者还要做一整套心理测验，其中一项「批判性思维评估」，测的是智力。
研究人员做了件再自然不过的事：组几家公司，用贝尔宾的话说，是把智力「囤」在一起，每一家都叫「阿波罗公司」。他写道，其他学员立刻有了反应，一眼就看出这是什么样的公司。
「阿波罗队排了最后一名。」贝尔宾写道。
二十五家阿波罗
「有希望的实验，总要再做几遍。」贝尔宾写道。他们又做了。据他统计，按阿波罗方案组起来的二十五家公司里，只有三家赢了；八家公司里，它们最常见的名次是第六。
照贝尔宾的说法，阿波罗公司的成员大把时间都「耗在没有结果的争论上」，每个人都想说服别人接受自己那套论证周全的看法。
一支队伍要的，可能是几种不同的贡献，不是一屋子最聪明的人。
这是贝尔宾 1981 年《管理团队》一书的主张。他把似乎拉开赢家和输家差距的行为归成几类，叫作「团队角色」，每一种都是一组能推动团队前进的行为。贝尔宾公司如今列出九种。偏思考的有智多星、审议员、专家；偏任务的有鞭策者、执行者、完成者；偏人际的有外交家、凝聚者、协调者。「专家」是亨利的研究结束后，贝尔宾把成果用到企业里才加上的。
每种角色都带着贝尔宾所说的「可容许的弱点」，比如智多星可能丢三落四。要紧的是平衡。按贝尔宾公司的说法，队里没有智多星，就迟迟冒不出第一个点子；智多星太多，坏点子又会把好点子埋掉。鞭策者太多，就会内斗。这样看，阿波罗公司是某一种贡献太多，其他几种太少。
问卷能说明什么，不能说明什么
研究做完后，贝尔宾把角色做成了问卷：一份自评，一份由同事填的观察评估。证据却没有这套框架的名气那么整齐了。
1993 年，心理学家弗恩海姆（Adrian Furnham）、斯蒂尔和彭德尔顿发表了一篇对这份自评问卷的心理测量学评估，贝尔宾在同一本期刊上做了回应。2007 年，阿里策塔、斯韦尔斯和西尼尔综述了 43 项实证研究，结论是证据好坏参半：总体看，模型和问卷的聚合效度尚可，但有些角色量表彼此关联太强，不容易区分开。2008 年一项研究检验修订后的多人评估版本（1434 人，每人至少四名观察者打分），认为效度良好。
角色搭配得均衡，队伍是不是就更容易赢，是另一个问题。2013 年一项研究看了一场管理游戏里的 24 支学生队伍，用报告成绩和游戏里的财务结果衡量表现，没有发现角色多样性和表现之间有关系。谷歌研究自家 180 个团队后说，要紧的不太是队里有谁，更多是大家怎么一起干活；它也说明，在它数据里没显出作用的因素，放到别处未必不重要。至于阿波罗的结果本身，出自贝尔宾对他自己那些游戏的讲述。
四个尖子，一个试点
假设你要为一个全公司都盯着的三个月试点挑人。最省事的做法，是把部门里评分最高的四个人拉进来，你也确实这么做了。
到第三周，会开得很热闹。两个人各自重写了计划，另外两人又重写了他们的重写。答应试用的五个客户，没人去打电话；第一版做到什么程度算「完成」，也没人写下来。
这不用问卷也看得出来。要做的，是写一张贝尔宾式的清单，列贡献，不列人：得有人出去找那五个客户谈，得有人查错、收尾。两行后面，都还空着名字。
角色不是名牌
搭 AI 智能体团队的人，用的也是同一套词：这个智能体是「审稿人」，那个是「架构师」。
在 Findings of EMNLP 2024 的一篇论文里，Mingqian Zheng 等人用 162 种角色设定、2410 道选择题，测了四个系列的开源模型，包括 Llama 3、Mistral 和 Qwen2.5。在系统提示里加上「你是一名律师」这类设定，准确率并没有比不加更高。作者写道，设定在某些情况下可能有用，但每种设定的效果「可能很大程度上是随机的」。他们测的是知识类选择题，不是智能体团队，也没有测 GPT-4 这类闭源模型。
贝尔宾说的角色，指的是行为，头衔说明不了什么。对智能体来说，行为体现在它的活上：能读什么、能改什么，必须跑哪道检查。「完成者」是一个步骤：东西交出去之前，把测试全跑一遍，把每个失败都列出来。「你做事一丝不苟」只是一句话。把那句角色描述分别带上和去掉，各跑几遍，再拿任务本身的标准去评。要是结果几乎不变，写在提示词最上面的那个词，就只是一块名牌。