一千个智能体一起上，官方数据说，第十个之后就不涨了

2026-10-12 · 人工智能

10 月 9 日，Anthropic 给 Claude 管理智能体加了一个叫"动态工作流"的功能。官方文档写得很克制，但数字很抓人：一次运行最多可以调度 1,000 个智能体。同一天，一家叫 Vals AI 的评测公司发了一篇报告，标题是个问句——《组队到底值不值？基于 Vibe Code Bench 的一个案例研究》。

我把两份东西对着读了一遍。一份在讲能叫来多少人，一份在算这些人到底干了多少活。

116000 行代码和 70 个 bug

Anthropic 的定义很朴素："工作流是一个程序，它分阶段运行许多智能体，并把结果合并起来。"开关是给智能体设一个 multiagent 字段，再在系统提示里告诉它什么时候该开一次运行。剩下的交给服务器，后台跑，主智能体腾出手来跟用户说话。

文档里还有几个数字，没写进标题：单次运行同时干活的是 64 个线程；一个智能体在整次运行里最多被起 1,000 次，超了就报 thread_limit_error；默认跑 24 小时；一个会话最多同时挂 10 个运行。至于价格，官方写法是"一次运行本身没有价格"——你按各模型的 token 价付费，另加会话运行期间的费用。

他们自己做的示范测试很具体：在一个 116,000 行代码的库里埋 70 个 bug，让单智能体去抓，每次能抓到 14 到 27 个；换成动态工作流，三次跑下来稳定抓到 66 个。

这是个漂亮的数字。我第一反应是"那确实该组队"，第二反应是去翻它的账单。

同一个星期，有人把账单摊开了

Vals AI 的做法是把两件事拆成对照。模型选 GPT-6 Sol 和 Claude Opus 5.5，任务是一个自己维护的基准 Vibe Code Bench：给一段产品说明，让模型从零建一个能跑起来的 web 应用，用 Docker Compose 部署，然后由浏览器里的智能体点进去，按通过率打分。每种配置各跑 50 个应用。同一模型、同一提示、同一沙箱、同一评分器，只差一处：单打，还是组队。组队时主智能体最多同时开 5 个子智能体。

结果是这样：团队比单打贵 1.8 到 5.1 倍，四个对照里只有一个在统计上算得上改进——GPT-6 Sol 在中等推理档，从 77.6% 涨到 84.9%，多 7.3 个百分点，p 值 0.005。另外三个，从掉 0.3 分到涨 3.4 分，都还在噪声里。

最能说明问题的是 Opus 5.5。它拿到全场最高分的那次配置，是最高推理档加组队：93.2%，每个应用 122 美元，中位耗时 174 分钟。而它最便宜的那次配置，中等推理档加单打：91.5%，4.08 美元，20 分钟。两者差 1.6 个百分点——统计上不算差。

也就是说，全场冠军比它自己最省的那次贵了大约 30 倍，多花出去的钱买到的分数，测不出来。

钱花在哪儿也交代了。多出来的开销主要是缓存输入：组队之后，每个子智能体都要自己重新读一遍规格和上下文。Opus 在最高推理档，子智能体每个应用平均要读 2.24 亿个缓存 token。时间也没省下来——Opus 的团队是排队走的（主智能体先写一份 CONTRACT.md，再一波一波派 builder、功能智能体和测试），每一波都得等最慢的那个，所以团队比它自己的单打还慢，最长到 2.3 倍。

卖它的公司，自己也留了一张表

这一条我觉得比 Vals 那篇更值得记：Anthropic 在 Claude Opus 5.5 的系统卡里放了自己的多智能体测试数据。同一个任务，从 1 个智能体加到 10 个、30 个、100 个：

**第十个之后，曲线基本就平了。**系统卡里的说法是：更大的团队能更快到达某个水平，但跑满 24 小时之后，从 10 个加码到 100 个，分数只是轻轻动了一下。他们另一组 ProgramBench 测试里，速度的收益伴随着 token 用量的上升。

同一批数据里，Fable 5.1 更不留情面：在知识库任务上，从 30 个加到 100 个，分数反而掉了一点。

一万个智能体，和一万个人

OpenAI 的研究员 Noam Brown 在 Dwarkesh 的播客里把这件事讲得很直白：多智能体主要买的是速度，不是质量。4 个智能体把任务做快一倍，账单也贵一倍；加到 16 个，规律还在，只是效率开始变差。效果极度依赖任务——网页研究和数学能并行，写小说不能。"往一部小说上扔一万个智能体，跟往上面扔一万个人一样没用。"

OpenAI 的一位开发者 Eric Provencher 更早就劝人别用智能体集群，理由是它会崩在协调上。他给这笔开销起了个名字：协调税。

一个我不打算省略的补充

组队唯一拿到的那次胜利，不是没用的。在 Sol 中等推理档涨 20 分以上的那 9 个应用里，单打版本的毛病是同一类：它声称测试通过，实际跳过了功能和流程。组队之后，主智能体在 50 次里有 46 次亲自用浏览器把部署好的应用点了一遍，然后把每个集成问题退给拥有那个文件的子智能体。

这更像是买了一次验收，而不是买了更多的人手。Vals 自己也承认，他们没有测"单智能体加一个端到端验收步骤"这种更便宜的配置——那本来可能是答案。

Anthropic 的文档里其实也写着同一件事，只是写在后面：动态工作流"可能用掉很多 token"，建议从范围明确的小任务开始。

1000 这个数字在标题上，这句话在正文里。翻到第二页的人才会看到。