研究：AI agent 团队耗费大量 token，质量提升却难以测量

Vals AI 的研究显示，多 AI agent 团队相比单 agent 表现提升有限，成本却最高达到 5.1 倍。在使用 GPT-6 Sol 与 Claude Opus 5.5 的四项测试中，只有一项出现可测量的质量提升。Anthropic 自身数据也显示，agent 数量超过十个后，质量趋于平稳而 token 成本继续上升。

此前多 agent 协作常被视为提升复杂任务质量的主要路径，但该研究给出反例：在测试条件下，增加 agent 数量带来的质量收益极小，成本却线性甚至更高增长。这让团队在架构选型时需要重新权衡多 agent 方案的必要性。

多 agent 协作通常通过分解任务、并行探索和互相校验来提升结果，但每个 agent 都需要读取上下文、生成推理和传递信息，token 消耗随 agent 数量叠加。当任务可分解性不足或校验环节收益低时，额外 agent 主要增加通信与冗余推理开销，质量因此趋于平台期。

对产品与研发团队而言，盲目堆叠 agent 会直接抬高推理成本并拉长响应时间，而用户体验提升有限。建议在引入多 agent 前设置质量与成本的对照基线，优先验证单 agent 或少量 agent 是否已满足需求，并监控超过十个 agent 后的边际收益。

• 建立 agent 数量与质量、token 成本的对照评测框架，作为上线前的准入检查
• 针对任务类型做分级路由，只在高可分解任务中启用多 agent 协作
• 提供 token 成本与质量增益的实时看板，帮助团队识别边际收益递减点
• 设计 agent 数量自适应策略，在质量平台期自动收敛到更少 agent

• Vals AI 的测试具体覆盖哪些任务类型，结论能否推广到其他场景
• GPT-6 Sol 与 Claude Opus 5.5 的版本与配置细节未被披露
• Anthropic 数据的采样范围与统计口径尚不明确
• 5.1 倍成本是平均值还是极端值，未在证据中说明