AI智能体团队成本暴涨5倍 质量改善微乎其微

# 多智能体团队花5倍成本 仅换来微弱质量提升 时间： 2026年10月11日（The Decoder 与 Vals AI 发布最新评估；近 24 小时） 地点： 美国旧金山 Vals AI 总部（评估方）；OpenAI/Anthropic/Anthropic 多智能体实验报告；Dwarkesh Podcast 录制（Noam Brown 受访） 人物： - Vals AI（独立 AI 评测公司，a16z 4000 万美元融资方） - Noam Brown —— OpenAI 研究员，多智能体系统负责人，前 o1 推理模型奠基人之一 - Eric Provencher —— OpenAI Codex 开发者 - Anthropic（Opus 5.5 系统卡发布方） - Nous Research（Hermes Agent 团队） - Dwarkesh Patel（播客主持人） 事件详情： 独立 AI 评测机构 Vals AI 在 Vibe Code Bench 1-100 上对 GPT-6 Sol 和 Claude Opus 5.5 同时做了"单智能体"与"多智能体团队"两组对照实验，发现多智能体团队成本是单智能体的 1.8 到 5.1 倍，但质量提升几乎可以忽略。 具体数据： - 共 4 组单 vs 团队对照（GPT-6 Sol/Opus 5.5 × 两种推理强度） - 仅有 1 组对比出现统计意义上的显著提升——GPT-6 Sol 在中等推理强度下，团队比单人高出 7.3 分 - 其它 3 组（GPT-6 Sol 满推理 / Opus 5.5 中等 / Opus 5.5 满推理）均无显著差异 - 在满推理强度下，把单智能体换成多智能体团队，对 Sol 和 Opus 5.5 都"几乎没有任何优势" Vals AI 在博客中写道："在大多数情况下，尤其当模型本身已经跑满算力时，多智能体团队带来的额外成本并不值得。" Anthropic 的 Opus 5.5 系统卡也有同向数据：在 Knowledge Base 任务上，1 智能体→10 智能体→30 智能体→100 智能体的得分依次为 0.53→0.70→0.71→0.74——加到 30 个以后就基本停滞；Lean 定理证明任务是 0.39→0.66→0.66→0.68。Claude Fable 5.1 在知识库任务上，从 30 智能体扩到 100 智能体时分数甚至略有下滑。 OpenAI 多智能体负责人 Noam Brown 在 Dwarkesh Podcast 最新一期中确认： > "多智能体系统主要买的是速度，不是更好的质量。4 个智能体能 2 倍速度完成任务，但成本也是 2 倍；16 个智能体也保持同样规律，只是效率略降。" 他补充说，效果高度依赖任务类型——"网页检索、数学这类并行化程度高的任务效果不错；但写小说这种事，投 1 万个智能体跟投 1 万人一样毫无意义。" 更直接的批评来自 OpenAI Codex 开发者 Eric Provencher，他在 X 上提出 "协调税（coordination tax）" 一词： > "智能体之间互不信任，会反复替彼此'检查作业'。要保持这么多并行轨道不跑偏，token 烧得非常厉害。" 他点名一个案例：Nous Research 用 1,393 个 Hermes 智能体重构自家 Hermes Agent 代码库，约 19 个有效小时、烧掉约 19,300 美元，把 Python 非测试代码砍掉 34.4%。Provencher 评论说："一个 Astra 智能体就能干完，而且只要这一笔花费的几分之一。" Provencher 建议的缓解策略包括：把任务派发到独立线程，主智能体只在完成后收到通知（而不是不断轮询）；减少子智能体之间重复的系统提示；以及尽量同时跑不超过 2 个子智能体——"超过 2 个，再往上加几乎全是浪费 token。" 背景： - Vals AI 是 2026 年成长最快的独立 AI 评测公司之一，由 Hung Tran、Dilhan Salgado 等创立，9 月 19 日 a16z 领投 4000 万美元，估值未披露。Vibe Code Bench 是其旗舰基准，覆盖 100 个 Web 应用规范（50 公开、50 保留），评估模型从零构建完整可运行应用的能力。 - Opus 5.5 系统卡（10-08 发布）首次明确把"最多 100 智能体的并行扩展实验"写进官方评估；行业普遍将这一节视为 Anthropic 对 OpenAI Navier-Stokes 10000 智能体解法的回应。 - Noam Brown 是 OpenAI 多智能体系统的核心负责人，同时也是 Navier-Stokes 解法（10-08 上线）项目的核心成员之一。Dwarkesh Podcast 这一期（标题《Agent swarms, alignment, & recursive self-improvement》）覆盖多智能体、对齐、RSI 等话题。 - "协调税"提法在 OpenAI 内部已成为共识：9 月底 OpenAI DevDay 上新发布的 ChatGPT Codex 也默认开启 sub-agent 协作，但官方文档警告用户"sub-agent 不是越多越好"。 - Nous Research 的 1393 智能体案例在 Hacker News 引发"协调税"标签的讨论，截至 10 月 11 日累计评论 540+。 影响： - 对企业 AI 预算：单智能体 + 满推理已成为性价比基准；试图用"多智能体团"上强度的项目需要重新评估成本/收益 - 对 Vibe Coding/Agent 创业方向：把"agent swarms"作为差异化卖点的产品（如 CrewAI、AutoGen 衍生项目）面临定位挑战 - 对评测行业：Vals AI 的多智能体对比模式可能成为新标准，后续 SWE-Bench、Terminal-Bench 等也会跟进 - 对厂商策略：Anthropic 已在 Opus 5.5 系统卡中给出"100 智能体是当前合理上限"的官方背书；OpenAI 走相反路线，靠 Noam Brown 路线（Navier-Stokes 用 10000）但仍强调"按任务规模选型" - 对成本计算：行业开始流传"agent-team = 5x cost, ~0 quality"的简化口诀，与前几个月的"agent team 越多人越强"营销叙事形成反差 总结： Vals AI、Anthropic 系统卡、OpenAI 内部研究员三方的最新数据指向同一结论：多智能体协作的成本远超其带来的质量收益。在模型已经接近满推理的情况下，把任务分给更多智能体并不能让结果更好，只是让账单更高。OpenAI 自身的 Navier-Stokes 10000 智能体解法、Nous Research 的 1393 智能体重构被反复当成"反例"提醒行业：智能体数量是手段，不是目的。 参考来源： - https://the-decoder.com/ai-agent-teams-waste-massive-tokens-for-barely-measurable-quality-gains-research-finds/ - https://www.vals.ai/blogs/multi-agent-vibe-code-bench - https://the-decoder.com/ai-agent-swarms-are-a-massive-waste-of-tokens-with-zero-quality-gain-says-openai-codex-developer/ - https://www-cdn.anthropic.com/fc1b44717c85dc068bc6ba5024219938094694bd/Claude%20Opus%205.5%20System%20Card.pdf - https://www.dwarkesh.com/p/noam-brown - https://nousresearch.com/refactoring-hermes-with-1393-agents - https://www.baytechconsulting.com/blog/when-machines-ship-claude-opus-agent-swarms - https://blog.cszn.cc/article/426 - https://hermes-ai.net/news/vals-ai-finds-multi-agent-coding-teams-cost-5x-more-but-rarely-score-better/ - https://benchlm.ai/benchmarks/vibecodebench