多智能体团队烧钱不讨好

最近看到 Vals AI 做了一组挺扎心的评测，直接把「多智能体协作」这个热门概念按在地上摩擦。他们拿 GPT-6 Sol 和 Claude Opus 5.5 在 Vibe Code Bench 上跑，分别测试单智能体和团队模式，还分了中等和最高两档推理强度。结果团队的成本是单智能体的 1.8 到 5.1 倍，但四次对比里只有一次出现了统计上显著的提升。

唯一有效的那次是 GPT-6 Sol 在中等推理强度下，团队比单智能体高了 7.3 分。可一旦把推理强度拉满，不管是 Sol 还是 Opus 5.5，组队都没带来实质优势。这个结论其实很反直觉，因为大家默认「三个臭皮匠顶个诸葛亮」，但模型一旦已经跑在满算力状态，再加 agent 基本就是纯烧钱。Anthropic 自己的测试也印证了这点，他们用 Opus 5.5 做实验时发现，增加 agent 数量后质量增益反而在缩小。大团队确实能更快达到某个性能水平，但继续往上堆人，收益曲线很快就平了。这说明多智能体架构的瓶颈可能不在数量，而在协调本身的开销。我自己的判断是，多智能体不是没用，而是被滥用了。它更适合任务边界清晰、可以并行拆分的场景，比如同时跑多个独立模块的代码生成或数据清洗。但如果是需要强上下文连贯的复杂推理，单智能体加长上下文往往更划算。现在很多团队为了「看起来先进」硬上多 agent，结果 token 账单翻几倍，效果却没变。所以选架构前先问一句：这个任务真的需要多个角色互相通信吗？如果单智能体已经能跑到 90 分，组队冲到 92 分却多花四倍成本，那这笔账怎么算都不划算。省下来的预算拿去做 eval 和 prompt 优化，回报可能高得多。