实测显示多智能体成本飙升五倍推理表现反不及单模型调优

grapeot

多智能体无法通过堆叠实例提升单次推理能力，因无法共享缓存反致成本激增数倍，唯有在任务解耦并行、特定环节核验与清空思维分叉等严苛前提下才具备工程价值。

AI-assisted summary of 大多数人都用错了多智能体，它既不更聪明，也不更快，好处在别的地方 — original source. Check the original for full context.

Source published: 2026-10-23

Key ideas

实测显示多智能体系统在默认配置下既不更聪明也不更快，总花销却达到单 Agent 的 1.8 到 5.1 倍，主要成本来自子 Agent 重复读取上下文导致 KV Cache 无法跨窗口共享。 (0:00)
Vals AI 在 50 个全栈 Web 应用测试中发现，GPT-6 Solar 中档推理组队仅提分 7.3 分，而直接将单个模型推理档位拉到最高单干反而提升了 11.4 分。 (0:00)
多智能体协作中无意义步骤重复占比高达 15.7%，真正跑通的团队仅在四大特定前提下获益：任务完全解耦的端到端加速、专项环节查漏补缺、长跑钻牛角尖时的 Fork and Flush 思考链重置，以及开辟干净上下文独立复查。 (5:00)
将子 Agent 换成廉价模型虽可降低多智能体内部成本，但总花销依然显著高于顶配单模型单干，目前尚无低配组队能在同等质量下比高配单干更便宜的评测案例。 (10:00)

Detailed notes

## Background 该视频由 UP 主 grapeot 于 2026 年 10 月 23 日发布在哔哩哔哩（Bilibili）平台。视频从上期评论区涌入数十个开源 AI 插件账号复读同一结论的现象切入，结合多家顶级团队的公开评测，深入剖析了多智能体系统（Multi-Agent）在现实落地中普遍存在的认知误区与真实价值边界。

## TL;DR 多智能体系统在默认配置下既不会让底层推理变聪明，也不会在强依赖任务中变快，其账单反而通常达到单 Agent 的 1.8 到 5.1 倍，甚至弱于直接将单模型的推理档位拉满。真正跑通的团队所购买的并非无脑的“人多力量大”，而是具备严苛前提的四大工程收益：独立子任务的真并行加速、针对薄弱环节的专职交叉核验、长程推理钻牛角尖时的分叉重置（Fork and Flush），以及开辟无偏见干净上下文进行独立复查。面对高昂成本，将子 Agent 换成便宜模型虽能在特定分工下部分止血，却无法解决 KV Cache 重复加载的根本开销，其综合成本依旧远高于单顶配模型单干。

## Atmosphere & style 全片洋溢着一线资深工程师的务实与清醒，语气冷静克制，既有对业界浮夸炒作的犀利祛魅，又保持着对严谨实验数据的敬畏。开篇以评论区“大飞鱼”账号整齐划一复读的荒诞场景展开，充满幽默讽刺的现场感，随后迅速切入高密度的 Benchmark 对比与图表拆解。整场分享如同一堂抽丝剥茧的架构重构复盘课，听感扎实硬核，处处体现出警惕伪需求、死磕工程性价比的极客思维。

## Bulletin - [00:00](https://www.bilibili.com/video/BV1N2na69E5q?t=0s) 实测显示多智能体系统在默认配置下既不更聪明也不更快，总花销却达到单 Agent 的 1.8 到 5.1 倍，主要成本来自子 Agent 重复读取上下文导致 KV Cache 无法跨窗口共享。 - [00:00](https://www.bilibili.com/video/BV1N2na69E5q?t=0s) Vals AI 在 50 个全栈 Web 应用测试中发现，GPT-6 Solar 中档推理组队仅提分 7.3 分，而直接将单个模型推理档位拉到最高单干反而提升了 11.4 分。 - [05:00](https://www.bilibili.com/video/BV1N2na69E5q?t=300s) 多智能体协作中无意义步骤重复占比高达 15.7%，真正跑通的团队仅在四大特定前提下获益：任务完全解耦的端到端加速、专项环节查漏补缺、长跑钻牛角尖时的 Fork and Flush 思考链重置，以及开辟干净上下文独立复查。 - [10:00](https://www.bilibili.com/video/BV1N2na69E5q?t=600s) 将子 Agent 换成廉价模型虽可降低多智能体内部成本，但总花销依然显著高于顶配单模型单干，目前尚无低配组队能在同等质量下比高配单干更便宜的评测案例。

## Key takeaways - [00:00](https://www.bilibili.com/video/BV1N2na69E5q?t=0s) 同一个大模型读取同一份材料，开再多并发实例也只会机械复读相同结论，多 Agent 无法凭空产生单次推理的质跃。 - [00:00](https://www.bilibili.com/video/BV1N2na69E5q?t=0s) Devin 开发方 Cognition 主张不要构建多智能体以避免协作通信损耗，而 Anthropic 强调堆算力买收益，多 Agent 的有效性主要依赖大量 Token 的消耗。 - [00:00](https://www.bilibili.com/video/BV1N2na69E5q?t=0s) 在强步骤依赖的代码等任务中，多 Agent 因层层串行交接导致耗时最慢可达单干的 2.3 倍，无法天然实现加速。 - [00:00](https://www.bilibili.com/video/BV1N2na69E5q?t=0s) 多 Agent 成本激增的关键瓶颈在于 KV Cache 无法跨子 Agent 共享，各角色接入均需重复通读上下文，缓存 Token 消耗通常达到单干的 4 倍。 - [05:00](https://www.bilibili.com/video/BV1N2na69E5q?t=300s) 学术研究 MAST 指出多 Agent 协作失效案例中 15.7% 为无意义步骤重复，给子 Agent 分配拟人化名牌主要是给人看的，核心工程价值在于各开窗口隔离上下文。 - [05:00](https://www.bilibili.com/video/BV1N2na69E5q?t=300s) 多 Agent 加速成立的严格前提是子任务彼此高度独立且完全解耦（如并发网络搜索），前后咬合的紧密任务并行不会带来加速。 - [05:00](https://www.bilibili.com/video/BV1N2na69E5q?t=300s) 查漏补缺必须针对单 Agent 易犯错的薄弱环节定向外包；在 Cohere 测试中仅外包规划让成功率升至 64%，若盲目全套外包不仅成功率不涨，成本反从 $249 飙至 $510。 - [05:00](https://www.bilibili.com/video/BV1N2na69E5q?t=300s) 长程任务陷入死胡同时，必须采用 Fork and Flush 机制清空旧思考链并仅保留阶段结论，单纯做上下文压缩仍会残留思维定势。 - [05:00](https://www.bilibili.com/video/BV1N2na69E5q?t=300s) 为主干任务开辟没有记忆负担的全新干净窗口进行二次复查，能有效消除长上下文累积带来的盲区与思维污染。 - [10:00](https://www.bilibili.com/video/BV1N2na69E5q?t=600s) 将子 Agent 替换为低配模型是多智能体架构内部的降本止血策略，无法抹平重读上下文的固定开销，整体成本依旧高于旗舰模型单干。 - [10:00](https://www.bilibili.com/video/BV1N2na69E5q?t=600s) 面对单步推理难度大且前后因果依赖强的任务，提升单模型推理强度或设计固定流水线 Workflow（如 Agentless）的性价比远高于组建多智能体大军。

## Detailed walkthrough ### [00:00](https://www.bilibili.com/video/BV1N2na69E5q?t=0s) 几十条“大飞鱼”复读揭示的盲区：多智能体并不天然更聪明

上一期讲 Code Review 的视频发布后，评论区突然涌入了数十个带有“大飞鱼”字样的 AI 账号。这些账号是不同观众通过 DeepSeek 开源的 Agent 运行环境 DeepSeek Harness（DSH）插件所部署的。该插件在检测到特定关键字并读完视频字幕后，若判断视频值得主人观看，便会自动在评论区留言并 @ 主人。令人哭笑不得的是，在 40 多条包含实质内容的留言中，将近 30 条都在机械地复述同一个核心结论。这一现象并不是说多 Agent 系统彻底失败了，而是生动地暴露了一个典型的失效模式（Failure Pattern）：**拿同一个模型去读同一份材料，即便并发跑再多遍，输出的也永远是同一套总结**。

这就引发了业界的经典争论。做 Devin 的 Cognition 曾发表文章直言《不要去构建多智能体》（Don't Build Multi-Agent Systems），而 Anthropic 几乎同时发文介绍其内部多智能体研究系统的搭建逻辑。两家顶级团队看似针锋相对，实则站在同一个权衡（Trade-off）的两端：Anthropic 关注的是砸进去的算力究竟换回了什么，而 Cognition 强调的是暴涨的 Token 费用与协作沟通损耗。从成本上看，单个 Agent 循环调用工具的 Token 消耗通常是单轮问答的 4 倍左右，而一旦拉起多 Agent 系统，消耗量会直接暴增至 15 倍。在难度极高的网页检索评测 BrowseComp 中，Anthropic 工程师对此直言不讳：“多 Agent 有效主要是因为他把足够的 Token 花出去了。Token 未必是唯一原因，但它是整个数据里面最能解释胜负的一个变量。”然而，单纯把 Token 砸进同一个任务，并不会让底层单次推理产生质的飞跃。

许多人对多智能体抱有“更强、更快、更省心”的虚幻预期，但 Vals AI 在 50 个全栈 Web 应用上的实测直接打破了这种幻想。该测试对比了 OpenAI GPT-6 Solar 与 Anthropic Claude 3.5 Opus 分别开启中档（Medium）与最高档（Max）推理下的单干与组队表现： - **更强？只有一组涨分，且不如单模型拉满**：四组实验中仅有“GPT-6 Solar 中档推理组队”实现了智能得分提升（+7.3 分）。然而，同一个 GPT-6 Solar 仅仅将推理档位从中档调至最高档单干，涨幅就高达 11.4 分，明显优于组队效果。Opus 最高档组队虽然拿到全场最高分，但相比其单干中档推理，费用暴涨了 30 倍，分数仅微弱提高 1.6 分，在统计学上甚至不显著。 - **更快？串行派活反而更慢**：在代码任务这类前后强依赖的场景中，Opus 团队因层层串行交接，最慢耗时达到单干的 2.3 倍。 - **更贵？缓存无法共享导致成本激增**：每个子 Agent 接入时都必须完整通读规格说明与工作状态，单价虽低，但 KV Cache 无法跨子 Agent 共享，导致子 Agent 消耗的缓存 Token 数量约为单干的 4 倍，总体花销是单干的 1.8 到 5.1 倍。

```mermaid flowchart TD accTitle: Multi-Agent vs Single-Agent Resource & Reasoning Trade-off accDescr: 流程图展示了同一模型单干与组队在成本、速度和推理提升上的鲜明对比。

subgraph SingleAgent["单 Agent 模式"] SA_Mid["中档推理单干<para>(基准成本 1x)</para>"] SA_Max["最高档推理单干<para>(涨 11.4 分 / 成本可控)</para>"] SA_Mid -->|"直接提升 Reasoning Effort"| SA_Max end

subgraph MultiAgent["多 Agent 组队模式"] MA_Team["中档推理组队<para>(仅涨 7.3 分 / 成本 1.8-5x)</para>"] MA_Cache["KV Cache 无法共享<para>(重复吞入 4x 缓存 Token)</para>"] MA_Serial["强依赖任务串行派活<para>(耗时最慢达 2.3x)</para>"] MA_Team --> MA_Cache MA_Team --> MA_Serial end ```

---

[05:00](https://www.bilibili.com/video/BV1N2na69E5q?t=300s) 互相监督往往变成添乱：真正跑通团队买到的四大真实好处

关于“互相监督能更省心”的设想，学术研究 MAST（Multi-Agent System Failures）给出了相反的诊断。该研究指出，多 Agent 协作失效案例中，**无意义的步骤重复占比高达 15.7%**，此外还有大量“嘴上声称执行了、实际根本没做”的虚假推进，凑在一起往往只会互相添乱。许多商用产品热衷于给 Agent 发岗位名牌（例如 Grok 推出挂着 8 个不同人设头衔的“AI 同事”），但高效的命令行调研工具（如 Beaut）其子 Agent 仅以“规划员”“研究员 1 至 4 号”等功能性纯标签命名。“真正起作用的是每一个子 Agent 各开一个窗口去把上下文隔离好，这个名牌、名字这个牌子它是给人看的。”

在默认配置下，盲目启用 Multi-Agent 既不更强、也不更快、更不省心。真正将多智能体系统跑通的团队，花钱买到的其实是以下四种具备严苛前提的实际收益：

在 Cohere 的 Program Bench 测试中，AI 面临的是“仅给可运行黑盒程序、无源码，要求逆向从零复刻相同行为”的高难任务。单 Agent 最容易卡在“搞清楚自己到底要写什么”的规划阶段。将规划拆给子 Agent 反复试跑黑盒程序、理清行为并产出计划，再由主控自己写代码，系统成功率从 57% 上涨到了 64%；然而，若无脑地把规划、实现、验证全套环节全塞给子 Agent，成功率完全不涨，项目成本却从 249 美元翻倍暴增至 510 美元。

---

[10:00](https://www.bilibili.com/video/BV1N2na69E5q?t=600s) 换便宜模型能否救回账单？真实工程决策与选型树

面对高昂的开销，很多人主张将子 Agent 替换为廉价模型来压缩账单。Cohere 的实验对比了不同模型层级的配置：在规划委托方案中，若将干活的子 Agent 从旗舰档（GPT-5.1 Solar）换成最便宜的 Luna，整体团队消耗从 249 美元降至 155 美元，费用省了近四成，成功率仅微跌约 2 分。这证明在特定分工下换用廉价模型确实能省钱。但是，横向对比旗舰档模型单干（估算成本约 75 美元），即便配备便宜子 Agent 的团队（155 美元）仍然比单干贵了一倍以上。

“换便宜模型降下去了，但是它降不掉每个子 Agent 重读上下文的次数。而且我觉得便宜模型它凑在一起也买不到更聪明，你说你把主控换成中档然后你带一堆便宜档的模型，还不如旗舰档一个人单干。”目前公开评测中，尚无任何案例表明“低配多 Agent 组队”能在同等质量下比“顶配单模型单干”更便宜。更换便宜子 Agent 的真正工程定位在于：**当你已经明确必须使用 Multi-Agent 架构时，用来避免所有角色均盲目使用最高昂模型的止血降本策略，而非反超单 Agent 的经济杠杆**。

```mermaid flowchart TD accTitle: Multi-Agent vs Single-Agent Decision Tree accDescr: 决策树指导开发者何时使用提高推理档位的单 Agent，何时使用流水线，何时启用多 Agent。

Start["遇到任务效果瓶颈 / 规划架构"] --> CheckDep{"任务依赖特征为何？"}

CheckDep -->|"强步骤依赖 / 单步推理难 / 逻辑死咬"| SingleBest["优先选择单 Agent 优化"] SingleBest --> Opt1["提升推理档位<para>(Medium Effort -> Max Effort)</para>"] SingleBest --> Opt2["提升模型档位<para>(Terra/Flash -> Solar/Pro)</para>"] SingleBest --> Opt3["编写固定流水线 Workflow<para>(如 Agentless：定位->修复->验证)</para>"]

CheckDep -->|"满足四大收益之一的前提"| MultiBest["启用 Multi-Agent 架构"] MultiBest --> Case1["子任务彻底独立 -> 并行处理以追求速度"] MultiBest --> Case2["线索极宽/极易漏测 -> 委派搜索规划 + 独立核验"] MultiBest --> Case3["运行时间长/陷入死胡同 -> Fork and Flush 清空重推"] MultiBest --> Case4["上下文窗口过长或受污染 -> 开启独立干净窗口复查"]

MultiBest --> RuleCost["成本优化原则：<para>按角色难度分配模型档位，严防无脑全用顶配</para>"] ```

在日常架构选型中，应当建立克制而理性的评估标准： - **坚决不上多智能体的场景**：单步推理难度极高、步骤咬合紧密且前后因果依赖极强的任务。此时堆砌 Agent 毫无意义，应直接提升单 Agent 的推理强度（Reasoning Effort）或模型档位；或者将其固化为严格确定的工作流（Workflow）。例如在软件工程评测中击败大量开源 Agent 的 Agentless 方案，仅仅将修 Bug 拆分为“定位、修复、验证”三步固定流程，凭借极简的流水线反而拿到了更好的成绩。 - **果断启用多智能体的场景**： 1. 子任务完全独立且需要极限压缩总耗时（并行化）； 2. 线索覆盖极广、验证容易漏测，需要专职做搜索规划或交叉核验； 3. 执行长程任务容易钻牛角尖，需要依赖 Fork and Flush 分叉并清空上下文历史； 4. 主干上下文过长、存在历史污染，急需开辟一个毫无记忆负担的纯净窗口独立审计。

“用好 Multi-Agent 就有点像一个资深的工程师去带新人一样，你要知道我要把什么活派给多个 Agent，我要怎么派，我要怎么验收。”在跨上下文窗口调用的成本尚未大幅下降的今天，与其盲目幻想拉起一支低效的 Agent 大军，不如先把主控模型的推理判断力推到最满、把上下文维持得干干净净，这往往才是解决现实问题最具性价比的工程途径。

## Notable quotes > [00:00](https://www.bilibili.com/video/BV1N2na69E5q?t=0s) 多 Agent 有效主要是因为他把足够的 Token 花出去了。Token 未必是唯一原因，但它是整个数据里面最能解释胜负的一个变量。 — Anthropic 工程师

> [10:00](https://www.bilibili.com/video/BV1N2na69E5q?t=600s) 用好 Multi-Agent 就有点像一个资深的工程师去带新人一样，你要知道我要把什么活派给多个 Agent，我要怎么派，我要怎么验收。 — grapeot

> [10:00](https://www.bilibili.com/video/BV1N2na69E5q?t=600s) 便宜模型它凑在一起也买不到更聪明，你说你把主控换成中档然后你带一堆便宜档的模型，还不如旗舰档一个人单干。 — grapeot

## Mentioned grapeot, DeepSeek, DeepSeek Harness, Devin, Cognition, Anthropic, BrowseComp, Vals AI, OpenAI, GPT-6 Solar, Claude 3.5 Opus, MAST, Grok, Beaut, Noam Brown, Cohere, Program Bench, 威尔研究院, GPT-5.1 Solar, Luna, Agentless

## Video description 上期视频评论区来了几十个观众用开源插件养的 AI 账号，四十多条有实质内容的留言里，将近三十条在复述同一个结论。同一个模型读同一份材料，开再多实例，出来的也是同一份总结。很多人平时用 AI 干活也有类似困惑：觉得多开几个 agent 组队就能更聪明、更快、互相监督更省心，但实际往往只是账单翻了几倍，效果没怎么变，甚至因为串行派活变得更慢。

多开几个 agent 不会让一次推理变聪明，默认配置下也不会更快，组队花的钱却是单干的 1.8 到 5.1 倍。这期视频结合多家团队的公开实验把这件事讲清楚：比如 Vals AI 的测试里，和同一个模型中档推理单干比，GPT-6 Sol 开中档推理组队涨了 7.3 分，不组队、直接把推理调到最高档反而涨了 11.4 分。真正跑通的团队花钱买到的是这四件事，而且各有前提：只有子任务彼此独立时并行才真能变快；交给专门核验的角色去补单 agent 说测过其实没测的地方，以及在卡住的环节（比如搞清楚要写什么的规划）分出去做；长跑钻牛角尖时靠分叉并清空旧思考记录跳出死胡同；以及开干净窗口独立复查。最后还会聊聊子 agent 换便宜模型能不能省钱，以及平时怎么选。

Superlinear Academy 社区：https://www.superlinear.academy/?utm_source=bilibili&utm_medium=video_desc&utm_campaign=multi-agent-misconceptions

[Source](https://www.bilibili.com/video/BV1N2na69E5q)

中文简报

实测显示多智能体成本飙升五倍推理表现反不及单模型调优多智能体无法通过堆叠实例提升单次推理能力，因无法共享缓存反致成本激增数倍，唯有在任务解耦并行、特定环节核验与清空思维分叉等严苛前提下才具备工程价值。多智能体系统在默认配置下既不会让底层推理变聪明，也不会在强依赖任务中变快，其账单反而通常达到单 Agent 的 1.8 到 5.1 倍，甚至弱于直接将单模型的推理档位拉满。真正跑通的团队所购买的并非无脑的“人多力量大”，而是具备严苛前提的四大工程收益：独立子任务的真并行加速、针对薄弱环节的专职交叉核验、长程推理钻牛角尖时的分叉重置（Fork and Flush），以及开辟无偏见干净上下文进行独立复查。面对高昂成本，将子 Agent 换成便宜模型虽能在特定分工下部分止血，却无法解决 KV Cache 重复加载的根本开销，其综合成本依旧远高于单顶配模型单干。实测显示多智能体系统在默认配置下既不更聪明也不更快，总花销却达到单 Agent 的 1.8 到 5.1 倍，主要成本来自子 Agent 重复读取上下文导致 KV Cache 无法跨窗口共享。 (0:00) Vals AI 在 50 个全栈 Web 应用测试中发现，GPT-6 Solar 中档推理组队仅提分 7.3 分，而直接将单个模型推理档位拉到最高单干反而提升了 11.4 分。 (0:00) 多智能体协作中无意义步骤重复占比高达 15.7%，真正跑通的团队仅在四大特定前提下获益：任务完全解耦的端到端加速、专项环节查漏补缺、长跑钻牛角尖时的 Fork and Flush 思考链重置，以及开辟干净上下文独立复查。 (5:00) 将子 Agent 换成廉价模型虽可降低多智能体内部成本，但总花销依然显著高于顶配单模型单干，目前尚无低配组队能在同等质量下比高配单干更便宜的评测案例。 (10:00)

Reading summary

多智能体系统在多数场景下并不天然更聪明、更快或更省心，其性能提升往往只是消耗更多 Token 的副产物。只有在子任务解耦、专项核验、跳出思维定势及独立上下文复查等严格前提下，采用多 Agent 架构才具备真实的工程价值。多智能体打破能力幻象与成本陷阱 (0:00) 许多人预期多 Agent 能带来更强性能与更高效率，但实测数据并不支持这种普遍假设。在 BrowseComp 等网页检索评测中，Anthropic 工程师指出多 Agent 系统胜出的主因在于花掉了巨额 Token，其调用工具循环消耗常为单轮问答的 4 倍，拉起多 Agent 更暴增至 15 倍。在失效模式上，使用同个模型阅读相同材料，并发再多次也往往输出一致的结论；学术研究 MAST 同样显示，多 Agent 协作失效中无意义的步骤重复占比达 15.7%，伴随大量未实际执行的虚假推进。 Vals AI 在 50 个全栈 Web 应用上的测试显示，单干调高推理档位的效果明显好于组队：GPT-6 Solar 中档组队仅提升 7.3 分，但单干直接将推理档位从中档调至最高档即可提升 11.4 分；Opus 最高档组队相比单干中档费用暴增 30 倍，得分仅微升 1.6 分且统计学上不显著。此外，子 Agent 无法共享 KV Cache，导致缓存 Token 消耗达到单干的 4 倍，总开销高出 1.8 至 5.1 倍；在代码等强依赖任务中，层层串行交接导致最慢耗时达单干的 2.3 倍。跑通多智能体的四大严苛前提与真实收益 (5:00) 真正跑通多智能体的团队并非依赖给 Agent 赋予虚拟岗位名牌，而是依靠上下文物理隔离换取四项具体收益：一是端到端加速，仅适用于搜索与素材调研等高度解耦的任务，Noam Brown 估算 4 个 Agent 并行可用约 2 倍成本换取近 2 倍的时间压缩；二是专项查漏补缺，例如针对单 Agent 的漏测瓶颈设立交叉复核，Vals 实验中难题提分约 15 分，Cohere Program Bench 仅外包规划时成功率从 57% 升至 64%，但全流程盲目外包则成功率停滞且成本从 249 美元翻倍至 510 美元。三是跳出思维死胡同，长程任务中采用关键节点分叉并重置思考链（Fork and Flush），清空旧推理链条仅保留阶段结论；威尔研究院实验证明，同等算力下该机制使模型得分从钻牛角尖的 0.47 分提升至 0.78 分。四是开辟干净上下文独立复查，为模型建立无偏见的第二双眼睛，消除冗长上下文带来的自满与历史污染。便宜模型无法抹平重读上下文开销 (10:00) 试图通过引入廉价模型来压缩多 Agent 成本的做法并不能扭转与单 Agent 的经济差距。在 Cohere 的规划委托测试中，将子 Agent 从旗舰档 GPT-5.1 Solar 换为便宜的 Luna，团队总花费从 249 美元降至 155 美元，降幅近四成且成功率仅降约 2 分。然而，对比旗舰档单干约 75 美元的预估成本，低配团队的花销仍高出一倍以上。目前公开评测中尚无“低配多 Agent 组队”在同等质量下比“顶配单模型单干”更便宜的案例。换用便宜模型无法减免每个子 Agent 重复通读上下文的固定开销，其工程定位仅限于已确定必须构建多 Agent 架构时的止血手段，不能作为反超单 Agent 的经济杠杆。基于任务依赖特征的理性架构选型 (10:00) 在架构选型上，面对单步推理难度高、因果步骤紧密咬合的任务，应坚决避免使用多智能体，优先提升单 Agent 的推理强度（Reasoning Effort）、升级模型档位，或编写严格固定的流水线工作流（如 Agentless 将修 Bug 拆分为定位、修复、验证三步固定流程以取得更优表现）。启用多智能体的合理条件应被严格限定在：子任务彼此完全独立、线索极宽需专职规划与交叉核验、长程任务需 Fork and Flush 打破思维定势，或主上下文受污染需独立窗口审计。在跨窗口调用成本未大幅下降前，提升主控推理档位并维持干净上下文，往往是更具性价比的工程解法。当前多智能体并非通用的效能放大器，其高昂的 Token 与串行损耗往往超过收益。若缺乏清晰的任务解耦边界与验收标准，盲目堆砌 Agent 只会推高账单并带来协作混乱。

Source quotes

[0:00] Anthropic 工程师: 多 Agent 有效主要是因为他把足够的 Token 花出去了。Token 未必是唯一原因，但它是整个数据里面最能解释胜负的一个变量。 [10:00] grapeot: 用好 Multi-Agent 就有点像一个资深的工程师去带新人一样，你要知道我要把什么活派给多个 Agent，我要怎么派，我要怎么验收。 [10:00] grapeot: 便宜模型它凑在一起也买不到更聪明，你说你把主控换成中档然后你带一堆便宜档的模型，还不如旗舰档一个人单干。

Original transcript

[0:00] 上一期我们讲CodeReview的视频里面评论区突然来了几十个AI账号名字都叫什么什么的大飞鱼这个是很多人各自用Deepseek Harness或者是DSH的一个插件养的对于不熟悉DSH的朋友它是Deepseek今年开源的一个agent运行环境因为这些agent是不同的人养的所以他们彼此之间也不会协作而这个插件它会按照关键字读完字幕以后觉得这个视频应该让主人来看看他就会在评论区留言去at主人而且我觉得有意思的是这个留言的内容在40多条有实质内容的评论里有将近30条在反复复读同一个结论这并不是说一个多agent的系统失败了但只是他把一个file pattern给展现了出来就是你用同一个模型去读同一份字幕即使你尝试很多遍出来的也是同一份总结视频里面我讲过用另外一个干净的上下文的agent来复查所以评论区里面那些真人的观众也在接着问是不是让另外一个agent审就可以了要不要去换更强的模型这也就紧述了今天的问题就是如果我们多开几个agent到底买到了什么我们这里先给一个结论就如果你用多个agent他不会把模型或者说系统变得更聪明相反他会把它变得更贵但也不是说多agent一点用都没有只是他买的是另外几个东西而不是大家想象的东西既然是花钱买东西嘛自然就可以明白业界为什么对这个有两篇标题相反的文章像Cognition就是做Devon的公司他发过一篇文章叫做不要去构建多智能体然后Anthropic几乎同时发了另外一篇文章说我们怎么在Anthropic内部建立一个多智能体的研究系统其实这两篇文章讲的是同一件事情只是他们是在一个可以说trade off的两端Tropic注重的是多花的算力到底买回了什么东西而Cognition他讲的是暴涨的调用费用和沟通损耗这个费用到底有多贵我们看两组数字如果你用一个Agent反复调用工具的话这个对于相比于单轮问答来说要花4倍的Token但如果多Agent就会变成15倍在一个很难的网页检索评测叫做Browse Comp上面各家得分差异那Anthorpic工程师原话是这样的他说多agent有效主要是因为他把足够的token花出去了token未必是唯一原因但它是整个数据里面最能解释胜负的一个变量所以我认为他把更多的token砸到同一个问题上并不会让一次推理变得更聪明那多花的钱到底去哪了呢我们到底买到了什么东西呢大家期待的一般是三样东西更强更快更审心那我们首先看更强Valz AI它在50个全战网页应用上面用了OpenAI的GPT-6Solar和Anthorpec的ClaudeOpus 5.5那每个模型分别开中档还有最高档推理所以一共有四组每组都和疑似单干和组队相互比较结果毫无例外组队都更贵但是呢在这四组里面只有一组它的智能得分涨上去了别的都没怎么变唯一涨分的呢是GPT的中党他们组队以后涨了7.3分但同样是GPT他不组队只是把推理调到最高档他涨了11.4分注意这个比组队还要更高那OPUS用最高档加上组队拿了全场最高分但问题是你要拿他和OPUS自己单干相比而且推理也是打到中档不是最高档钱多花了30倍分数值高了1.6分统计上还不显著这玩意可能是纯运气那钱都花在哪呢为什么这么贵呢这主要是因为就算开到最高档OPUS组队花的钱也是单干的五倍左右那钱呢对于Agentic的任务来说它主要花在缓存输入上因为每一个子Agent他都要把整个规格呀整个工作状态呀从头读一遍你每调用一次他寄费一次而且不同的子Agent之间他KVCash还没办法共享那缓存这个单价虽然便宜稍微算一下就知道子Agent的缓存token大约是单干的四倍至于速度Opus的Agent团队他一波一波串行在派活最慢的时候是单干的2.3倍市场所以这主要是因为编程任务他没有检索或者调研那么好并行那 [5:00] 第三个角度相互监督你总能审心吧?其实也不是有个研究说的是多agent的协作试效它叫做MAST这个研究呢它发现试效里面步骤重复占了15.7%嘴上说做了其实没做也不少大家凑在一起反而互相填乱所以啊现在很多产品它卖AI同事还给每个agent发一个岗位的名称比如说Grockbot卖八个挂着名牌的同事每一个同事有自己的名字但是同一家公司做调研的命令行工具beaut他的子agent就没有这样他只叫规划员研究员一号到四号这种功能的名字也没有人设而且角色也特别简单所以我的理解是真正起作用的是每一个子agent各开一个窗口去把上下文隔离好这个名牌就名字这个牌子它是给人看的所以更强更快相互监督更审心这三样看起来好像大家会觉得我花钱能够买到配置下如果单纯的启用Multi-Agent,这三样一样都不占反过来说真正把Multi Agent给跑通的团队它到底拿到了什么好处呢我感觉一共有四个好处但这四个好处并不是上面想象的更强更快和互相监督而且每一样都有一个前提第一个好处是端到端更快但它有一个前提是每个子任务他需要互相独立才可以像Operning Eye它有个研究员Noam Brown它有个估算是四个Agent并行大约是花两倍的钱的时间像比如说写小说这种前后咬合相互依赖这种任务你堆的再多也快不了第二样呢是茶漏补缺就把事情给做全像我们看刚才那个实验Val那组唯一显著的提分就是GPT组队的提分如果你要按照题目的难度拆开看的话它涨分啊都涨在难题上难题高了大概15分简单题只高了1分为什么呢这是因为他们设计的团队里面他就把单Agent说我测过了然后多Agent一看你没测过这里就补上了他就不会犯那个错那这里也有一个前提就是到底我们应该把哪一个环节去给另外一个Agent去看呢这个取决于你的任务最容易在哪里犯错像Vals它的难题主要是漏测所以用来做cross check用来做核验这个角色很重要另外有一个测试叫Cohere它有一个叫Program Bench的测试它给Agent看一个能够跑起来但是你看不到圆码的程序让它从头到尾从零开始写一个行为一样的像复刻板逆向一样这时候呢AI主要卡在搞清楚自己到底要写什么所以这时候你应该把它拆出去让Multi-Agent的合作是规划自Agent会反复运行原程序来搞清楚它的行为是什么把计划写出来然后把代码agent去写而是应该有主控自己去写如果这样做的话团队确实比单单要强他准确率成功率从57%上升到了64%但是如果你要是无脑把什么东西全都交给subagent做比如说规划实现验证全部交给subagent做分数其实没涨分数差不多只是这个钱从249美元一下就涨到了510美元所以把任务分拆好适合分拆真正需要查了武学的任务是非常关键的然后第三个好处是它可以帮助AI不要钻牛角尖或者说跳出死胡同经常如果你用单agent跑的话同一个任务跑很久会困在一个思路里面那威尔研究院他就提出了一种方案叫做Fork and Flush意思是说在几个关键节点分出几个分支我用几个agent分别试一个方向看看哪个游戏游戏就从那个分支接着走然后把之前的长篇思考记录给清空只留下阶段的结论他这样试了一下发现在同样的算力下面如果我一直担跑只能拿到0.47分但如果我用multi agent用这种fork and flush的形式我可以拿到0.78分但是要注意这种情况下如果你只是做compact你是压缩上下纹这是不行的因为压缩它旧思路还是留着在它只是把它变短了而已第四个好处是比较干净的上下纹窗口像刚才我们说的第三个好处它是换一条路第四个好处呢它有点像是换一个眼睛就是让一个没有带着别人上下文的agent来再干活这其实就是上期我们讲的用全新上下文的子agent来复查好那回到我们开头讲的那几十条大肥鱼啊你看他们是各家主人各自养的他 [10:00] 节奏但是道理是一样的我觉得多样性这个东西它不会说因为人多它自己就出现了你必须要一定程度上有设计要刻意的让它们起点不同比如说去分叉去清空历史或者为不同的材料给不同的prompt它才能真正生效说到这肯定有人会反驳我要是用便宜的模型当subagent的账单不就加下来了吗这是一个非常好的地方像Cohere上面那个实验是上一代的GPT510那这边呢它分成便宜中档旗舰档三档同样是委派规划如果我们把干活的这个子Agent它从旗舰档就是Solar换成最便宜的版本就是Luna那团队可以从249美元降到155美元这个花费便宜了将近四成但是呢分数只差两分左右所以在特定的前提下你换成便宜的模型确实是省钱的旗舰党自己单干比呢那Cohere他没有直接写单干花了多少但是我照他们公布的效率数字估了一下啊就大约是75美元但是呢你看我们前面说用了子Agent的团队即便他们用的是便宜的模型也花了155美元所以说呢在这种情况下你用了多Agent其实相比于直接把他模型换的更好的模型啊还是要更贵的所以我的理解是啊换便宜模型降下去了但是它降不掉每个子A重读上下文的次数而且我觉得便宜模型它凑在一起也买不到更聪明就说你把主控换成中档然后你带一堆便宜档的模型还不如旗舰档一个人单干那理论上如果搜索特别是Token便宜模型刚好够用团队确实是有可能比单干便宜的但是呢我也在公开数据这些实验里面找了一下还没看到这样的例子所以我的理解是换便宜模型的解决的问题是如果我们已经下定决心我就要用multi agent那一大省钱要点就是别让每个角色都用最贵的模型而是要大家根据实际的情况根据任务的难度合理分配那平时我们到底应该怎么去做技术决策呢不该上多agent的情况主要是比如单步推理特别难彼此依存步骤咬得很死对于这种情况用多agent就直接给单agent提到就比如说原来我用terra我现在就用solar原来我用medium effort现在我用max effort或者你把它写成固定流水线workflow也行如果你能写成流水线的话比如说有叫做Agent List的方案他是把修bug切成定位修复验证就这三步固定流程诡异的一点是他当时在benchmark上面的成绩超过了所有开源的agent可能跟具体的任务是有关系的我们到底什么时候应该用notty agent?一般是有这四种情况比如说子任务彼此独立你要是想要快你就并行或者线索特别广容易露册就把他委派到搜索规划加独立核验上面去如果Agent跑的时间特别长钻鱼要接了你就用分叉清空如果上下文太满了你就另外开干净窗口所以我建议就是如果大家有这方面的需求的话默认你应该先试我就用一个agent但是我把它 reasoning effort提上去或者把它模型的档次提高再加第二个agent之前先问一句我现在效果不好到底是什么原因如果我要花这个钱的话到底买的是上面这四样里面的哪一个好处所以我觉得用好Multi Agent就有点像一个资深的工程师去带新人一样你要知道我要把什么活派给多个Agent我要怎么派我要怎么验收我猜等哪天像这种跨Context Window这种交接不这么贵了也许这个Trade Off还得要重新考量但是今天你先把主控的判断力给它推满你先把上下文给它搞干净往往比你想着我拉起一个agent大军要划算很多对于解决实际问题也更有帮助

实测显示多智能体成本飙升五倍 推理表现反不及单模型调优