AI工作流实操 别再堆Agent啦(多助手烧钱实测)

烧钱实测：团队模式，最高贵 5 倍，效果几乎没提升

Vals AI 在 10 月 9 号发了份实测，叫《Do Agent Teams Pay Off?》。他们拿 GPT-6 Sol 和 Claude Opus 5.5，做了 50 个完整 Web 应用，真刀真枪比了一回：单个 Agent 单干，对上 1 个 lead 带最多 5 个 subagent 的团队。

结果怎么样？

团队模式，贵 1.8 到 5.1 倍。4 组对比里，只有 1 组算是有统计学意义上的提升——GPT-6 Sol 在中等推理力度下，涨了 7.3 分，从 77.6% 到 84.9%。听着还行对吧？代价呢？每个应用 3.07 美元对 1.22 美元，2.5 倍的成本。

而且你把推理力度开到最大，两个模型的团队模式，全都没可测量的提升。多花的钱，基本打了水漂。

顺便提一句，每组配置只跑了一次，作者自己也说了这个局限，我也照实告诉你。

数据：Vals AI《Do Agent Teams Pay Off?》· 团队成本为单 Agent 的 1.8–5.1 倍

不只这一份数据。

Anthropic 自己内部也测过：Opus 5.5 做知识库任务，Agent 从 1 个加到 10 个、30 个、100 个，得分是 0.53、0.70、0.71、0.74。从 10 到 100，几乎原地踏步，明显见顶了。

数据：The Decoder 报道引用的 Anthropic 内部数据

更扎心的还有 Fable 5.1：Agent 从 30 扩到 100，得分反而下降了。人越多越乱，Agent 也一样。

（来源：Vals AI 官方博客，作者 Katrina Drozdov，2026-10-09；Anthropic 内部数据为 The Decoder 报道引用，2026-10。）

人越多越乱，Agent 也一样。

原因：钱不是花在干活上，是花在协调上

这事我太熟了，跟工地上天天发生的一模一样。

就像包工头带施工队，最怕的就是人一多就乱。你派 10 个人去铺砖，看着挺壮观，结果呢？两个人等材料，三个人等图纸，一个人去问水电怎么走，最后真正铺砖的就那么几个。活儿没快多少，盒饭倒是多订了好几份。

Agent 团队，一模一样。带 10 个小工，不如带 2 个老师傅。人一多，真正干活的就那么几个，剩下的人在等、在问、在返工。你以为你在加人，其实你在加管理费。

那这钱到底花在哪了？

不是花在干活上，是花在协调上。Lead Agent 得拆任务、发指令、验收结果，subagent 之间还得对齐上下文。来回传话、等回复、返工——你烧掉的不是 token，是管理费。

OpenAI 的研究员 Noam Brown 有句话，我觉得说得特别到位：“把 10,000 个 Agent 扔给一部小说，就像把 10,000 个人扔给它一样没用。”

团队买的更多是速度，不是质量——按 Noam Brown 的说法是这样，但这也不是包票：Vals 实测里，Opus 团队反而更慢。这句话，你记住了，大多数坑就避开了。

解决方案：上团队之前，先跑两轮对比，再算一笔账

下回有人跟你说“上个多 Agent 团队吧”，你先别急着点头，先跑两轮对比，再算一笔账，答不上来就别上。

1 单个 Agent，推理力度拉满了吗？

实测里最有意思的一个发现：对 GPT-6 Sol 来说，把单个 Agent 的 reasoning effort 调高，比加一个团队更提分。先让老师傅使出全力，别急着招小工。你先把单个跑一遍，记个分，再把推理力度开到最大跑一遍，对比一下。要是已经够用了，停，就到这儿。

▼

2  任务能不能干净切分？

标准就一个：每个子任务，能不能独立验收？“同时抓 5 个网站的数据”，每个都是独立的，拆开没毛病。“写一个完整的应用”，前后耦合严重，拆开就是给自己找麻烦。你把任务拆成块，给每块写一句话验收标准。写不出来？那就说明拆不了，别硬拆。

▼

3  算账：你缺的是质量，还是时间？

缺质量，别加人，加人也提不了质量。缺时间，可以考虑加人，用成本换速度。但先算账：团队成本是单 Agent 的 1.8 到 5.1 倍。你问自己一句，“1.8 到 5.1 倍成本换来的速度，值吗？今晚必须交货，还是明天交也行？”只有今晚就要交货的时候，才值得花 2.5 倍的成本换速度。

▼

4  把 Lead Agent 的验收标准写清楚

每个 subagent 的输入、输出、验收标准是什么？Lead 怎么验收、怎么合并、怎么处理冲突？哪个环节失败了，整体怎么回退？没写验收标准，就等于小工瞎干，最后还得你自己返工。

▼

5  临走前的小条子：6 个都打勾，再上团队

单个 Agent 的推理力度开到最大了吗？任务能拆成可独立验收的块吗？验收标准写得出来吗？我是缺时间还是缺质量？算过账了吗，1.8 到 5.1 倍成本换速度，值吗？Lead 的验收标准写清楚了吗？6 个都打勾，再上团队。有一个打不上，就老老实实单 Agent 干。

最后说句大实话。中文AI圈现在流行“一个 Agent 不够就上十个”的叙事，各种 swarm、多 Agent 框架炒得火热。但实测数据摆在这儿：大多数场景，你不是缺 Agent，是缺一个把单个 Agent 用到极致的包工头——这是我的判断，不是实测数字。

模型越强，单个 Agent 越能干。与其堆数量，不如把一个用明白。

📦 方法已整理成Skill 首页回复03获取

AI包工头老麦，分享实操干货包你满意。

来源标注：- Vals AI《Do Agent Teams Pay Off?》(2026-10-09)：https://www.vals.ai/blogs/multi-agent-vibe-code-bench- The Decoder 报道（含 Anthropic 内部数据）：https://the-decoder.com/ai-agent-teams-waste-massive-tokens-for-barely-measurable-quality-gains-research-finds/- bigchange.ai 预算视角解读：https://bigchange.ai/blog/vals-ai-agent-team-coding-benchmark-cost-score- Noam Brown 引言来自播客评论，多家媒体引用- 注：Vals AI 每组配置仅运行一次，结论供参考；Anthropic 内部数据为媒体报道引用