花30倍的钱，只涨1.6分？AI“多Agent”实测翻车了

大数据文摘出品

最近，Anthropic给Claude上线了动态工作流，一个领队Agent，最多能同时指挥1000个子Agent并行干活。再往前数，OpenAI的Agents API、各家编程工具，也都把"多Agent协同"写进了卖点的第一行。那架势像是在说，一个AI不够，那就来一群。

这里插一句，给不太熟的读者。Agent这词，你就理解成"能干活的AI员工"：给它一个目标，它自己拆任务、自己调工具、自己交活，不用你一步步盯着。所谓组队，就是招一群这样的员工，再配一个当领导的。

现在，一家叫Vals AI的评测公司发了份实测报告，标题是：《Do Agent Teams Pay Off?》，翻译过来：Agent团队，到底值不值？

via https://www.vals.ai/blogs/multi-agent-vibe-code-bench

他们让眼下最能打的两个编程模型，OpenAI的GPT-6 Sol和Anthropic的Claude Opus 5.5，分别单挑和组队，干了同一批活，然后把账单和成绩单并排贴了出来。

成绩单的观感，怎么说呢，有点像你花大价钱请了个施工队，最后发现干得又快又省的那个工人，是队长自己。

一. 发生了什么？

先说清楚他们是怎么测的。

Vals AI手里有个benchmark，叫Vibe Code Bench。规则是：给AI一份产品需求书，让它从零造出一个完整能跑的网页应用，数据库、接口、界面、部署，全套都得有。造完之后，派一个"机器人评委"开着浏览器，像真人用户一样点按钮、填表单、走流程，看功能是不是真好使，然后打分。

50个应用，每个配置跑一遍。

团队模式是这样设的：一个领队Agent，最多带5个子Agent，子Agent不许再往下招人。两个领队收到的指令一模一样：把活拆成独立的几块，派下去，最后自己整合、自己验收。

变量就两个：单挑还是组队，中等思考力度还是拉满。两个模型乘起来，一共八组对照。

二. 先看账单，再看分数

GPT-6 Sol，中等力度：单挑77.6分，花1.22美元；组队84.9分，花3.07美元。涨了7.3分，成本2.5倍。注意，这是全场八组对照里，仅有的一次统计上站得住的进步。

GPT-6 Sol，拉满：单挑89.0分，4.82美元；组队90.4分，8.54美元。涨了1.4分，统计上约等于没涨。

Claude Opus 5.5，中等力度：单挑91.5分，4.08美元；组队91.2分，9.10美元。钱花了一倍多，分数还掉了0.3。

Claude Opus 5.5，拉满：单挑89.8分，23.77美元；组队93.2分，122美元。涨了3.4分，但统计区间从负1.4跨到正8.3，意思是这3.4分有可能是运气。成本，5.1倍。

最扎心的一组对比在这里：Opus最便宜的配置，中等力度单挑，4.08美元考91.5分；最贵的配置，拉满加组队，122美元考93.2分。

价格差了30倍，分数差了1.6，而这1.6分统计上还说不准存不存在。

那钱到底烧哪儿去了？大头是缓存输入token。每个子Agent上岗，怀里都得揣一份完整的需求书加上自己的工作记录，而且每次调用模型都要把这一大坨重新发一遍。Opus拉满团队里，子Agent们每个应用平均要读2.24亿缓存token，单挑的只要5500万。有一个团队直接跑到了5小时15分的超时上限，估算烧了189美元，活还没验收完。

时间账也有意思。组队只帮Sol省了时间，从38分钟压到28分钟；Opus组队反而更慢，最慢那组平均174分钟，是单挑的2.3倍。每一波子Agent都要等最慢的那个交活，这画面，开过会的人都懂。

还有一个顺带发现，我觉得比主结论还值钱：对Sol来说，把思考力度从中等拉到拉满，分数涨了11.4分，比组队带来的7.3分还多。

让一个多想一会儿，可能比多叫几个来，更划算一些。

三. 两个领队，两种带队伍的画风

报告里最有意思的部分，是这俩领队Agent的管理风格，差别大到能当管理学案例。

Sol的领队，是个雷厉风行的包工头。开局一分钟之内，按架构把活切好，数据库一块、API一块、界面一块、部署一块，子Agent同时开工。它自己不怎么写代码，主要干三件事：派活、催活、验收。

关键是，它验收是真验收。50次里46次，它亲自开着无头浏览器把做好的应用完整点一遍，测试量是单挑模式的两倍。它抓到的bug都很有"接缝味"：界面发出去的字段跟数据库的结构对不上，总价前端这么算、后端那么算。这些毛病有个共同点，单独看每一块都好好的，拼起来才露馅。抓到bug，打回给负责的子Agent改。

Opus的领队，是个学院派项目经理。开工之前先写一份“合同”，文件名就叫CONTRACT.md，数据结构、接口路由、每个文件归谁管，全写清楚，50次里写了42次。然后一波一波派人：先来一波打地基的，再来一波盖功能的，最后一波专职测试。

流程很正规，问题也很正规：每一波都要等最慢的那个人。拉满模式下，一个子Agent平均要跑46分钟。它的团队把三分之二的时间花在了第一次部署之后，光测试就砸进去68个"agent分钟"，单挑只花10个。

结果呢？Sol的团队多少挣到了点分，Opus的团队输赢各半，14个应用涨了分，15个掉了分。

一个像亲自盯现场的包工头，一个像先写完美章程再开三轮评审会的PM。至于哪种更好，数据说，看命，也看活。

四. 那组队到底啥时候有用？

先别急着把Agent团队一棍子打死，报告里藏着一张更值得记住的图。

Sol的中等团队，在"更难的活"上平均涨了15分左右，在简单活上只涨了1分。差距非常大。

更有意思的是涨分最多的那9个应用。研究人员扒了一下原因，有点哭笑不得：单挑的AI经常功能没做完就报告"测试通过"了，有些流程压根没跑过。团队把这部分漏掉的活补上了，看得全，查得细。

换句话说，在这些任务里，团队填的主要是注意力的坑，智力的坑还在原地。

这个判断，行业里的人其实也在说。OpenAI的研究员Noam Brown在Dwarkesh播客里讲得很直白：多Agent买到手的主要是速度，四个Agent快一倍，也贵一倍。网页检索、数学证明这种能拆成碎片的活，适合并行；写小说这种活，你派一万个Agent上，和派一万个人上，差不多一样没救。

OpenAI的工程师Eric Provencher说得更狠，他给这现象起了个名字：协调税。Agent之间的配合会崩，崩掉的那部分，全是钱。

连Anthropic自己的数据都有点尴尬。他们拿Opus 5.5测过，从10个Agent加到100个，跑满24小时，分数只挪了一点点。一个知识库任务，1个Agent考0.53分，100个考0.74分，分是涨了，账单涨得更快。

不过反例也有。就在上周，Anthropic自己的动态工作流测试里，研究人员往11.6万行代码里藏了70个bug，单个Agent每轮能抓14到27个，团队协作稳定抓到66个。

所以这事得两头说：活能不能拆成互不打架的几块，可能是关键。拆得开，团队就值这个价；拆不开，就是花钱买个热闹。报告作者在最后说：这只是全栈网页应用这一个基准上的结果，换个工种，未必成立。

点「赞」的人都变好看了哦！