企业官网建设流程全解析

版权与内容来源声明
本文为原创整理。文中涉及官方文档、开源仓库、论文与公开报道的内容，均在附表 A 中标注来源；引用官方原文保持原样，不作改写。文中命令、版本号与界面截图以本文成文时的实测/核验结果为准，标注「待验证」的部分请以你本地环境实际输出为判断依据。本文不推荐任何不合规的软件获取方式，也不对任何收益结果作承诺。转载请注明出处。

摘要：2026 年 10 月，Anthropic 公开多智能体研究系统的实测数据——多智能体比普通对话多花约 15 倍 token。本文不站「该不该用多智能体」的立场，而是把一笔 token 账摊开：拆与不拆，钱分别花在哪几块；子任务排到几个数，拆才开始划算。

一、先把事实钉死：多智能体到底多花多少 token

很多人对多智能体的成本印象来自一句模糊的「很贵」。先把这句话换成能核对的数字。

Anthropic 在公开其多智能体研究系统时给了一组实测：

In our data, agents typically use about 4× more tokens than chat interactions, and multi-agent systems use about 15× more tokens than chats.

翻成人话：单体的 Agent 比普通对话多花约 4 倍 token；多智能体比普通对话多花约 15 倍。

这句话里藏着一条必须看清的口径：15 倍是相对普通对话，不是相对「一个 Agent 干同样的活」。如果拿多智能体和单 Agent 比，倍数完全是另一回事——而这恰恰是本文要算的。

同一个来源还有一条更值得记住的结论：

token usage by itself explains 80% of the variance

在它的评测里，token 用量本身解释了大头的结果差异。多智能体之所以常常更有效，很大程度是因为它「把 token 花出去了」。

1.1 为什么这句话最容易被误读

15 倍是「多智能体 vs 闲聊」，不是「多智能体 vs 单 Agent」。两个比较的基线不同，结论自然不同。

拿闲聊基线当成本基准，会得出「多智能体一律多花 15 倍钱」的结论，然后一刀切拒绝；拿单 Agent 基线当基准，又会发现有时候拆反而更贵。两种误读都解决不了真问题。要算账，先统一下基线。本文后面所有比较，基线都统一为「同一个任务、同一个模型，只比较两种架构的 token 总量」。

1.2 本文要给的判据

拆与不拆的分界线不在「任务复不复杂」，而在两个数：每个子任务要重读的公共背景有多大、子任务有几个。后面四章按这个思路走——先看官方的取舍建议，再把账拆成四块，然后真跑一遍看临界点落在哪。

二、「人多力量大」得打个折：这几类任务不该拆

先把两个常被混为一谈的词分开。

Workflows are systems where LLMs and tools are orchestrated through predefined code paths.

Agents, on the other hand, are systems where LLMs dynamically direct their own processes and tool usage

前者是用代码把步骤写死的工作流，后者是让模型自己决定下一步的 Agent。多智能体是后者的一个变种，不是前者的升级版。

对什么时候该上这套东西，官方原话相当克制：

we recommend finding the simplest solution possible, and only increasing complexity when needed

以及一条对成本最直接的提醒：

Agentic systems often trade latency and cost for better task performance, and you should consider when this tradeoff makes sense

翻成人话：这类架构是拿延迟和钱去换复杂任务上的效果，值不值要单独判断。同一份材料还点出了明确不适合的场景：

some domains that require all agents to share the same context or involve many dependencies between agents are not a good fit for multi-agent systems today

「需要所有 Agent 共享同一份上下文」或「Agent 之间依赖很多」的领域，现在就不适合拆。它还专门点了编码任务：

most coding tasks involve fewer truly parallelizable tasks than research

2.1 一句话筛选

判断要不要拆，先问一句：这些子任务，彼此需不需要看到对方的中间结果？需要，就别拆——拆出来还得靠消息来回同步，等于把一份上下文复制成好几份，账只会更难看。

2.2 能并行，不等于该拆

就算子任务能并行，也不代表拆了就省。省不省取决于一张账，下一章把它拆开。

2.3 除了 token，还有两笔账要一起算

token 只是其中一笔。拆分还会带来另外两笔：

• 协调成本。lead 要能正确分解任务、还要能正确汇总。分解错了，后面的所有子任务都在往错的方向跑，比不拆更糟。
• 延迟。子任务之间的结果要互相等待，并行度越高，尾部等待越明显——最后几个慢的子任务决定整体完成时间。

官方对这一点也给了明确提醒：

The autonomous nature of agents means higher costs, and the potential for compounding errors.

翻成人话：自主性带来更高成本，还带来错误累积的风险。所以「拆」不是把一个成本项变成零，而是把它换成另外几项——只有当省下的那笔明显大于新增的那几笔时，拆才成立。

三、把账摊开：一笔 token 由哪四块构成

把「一个 Agent 顺序干完 N 个子任务」和「lead 带 N 个子 Agent 干同一批活」摆在一起，token 花在四块上：

口径：B / W / R 都是 token 数；「全程携带」指每一轮都要把它重新发送一次。本表只比 token 量，不涉及金额。

这张表里藏着关键：单 Agent 的成本主项是「上下文随轮数累积」，多 Agent 的成本主项是「每个子 Agent 都要重读一遍 B」。前者随子任务数接近平方增长，后者只是线性增长——谁更贵，就看子任务数落在哪一段。

为什么单 Agent 会走到平方级，这段值得多写两句。第 1 个子任务的输入里有 1 份背景；第 2 个有 1 份背景加 1 份已完成的工作量；第 N 个有 1 份背景加 N−1 份旧工作量。把 1 到 N 加起来，背景被重复发送了 N 次，旧工作量累计被重复发送了约 N²/2 次——平方项就是从这儿来的。多 Agent 那边，每一份背景只被对应的子 Agent 读一次，所以是干净的线性。判断谁更贵，本质上是判断「平方项涨到什么规模，才追平那 N 份重复读背景」。

本节的资料：把 Agent 编排与上下文成本的官方文档整理成了一份核对清单，另外也放了 LangChain + LangGraph 的实战视频和一份大模型学习路线图。扫码即可获取：

四、真跑一遍：子任务从 1 加到 20，账单怎么翻

上面是结构，下面给数。这段代码只用标准库，复制即可运行。

🧪 实测环境：Python 3.13.12 / macOS / 仅标准库（无第三方依赖）

B,W,R=1500,800,120# 公共背景 / 子任务工作量 / 子报告（token）defsingle_agent(n):"""一个上下文顺序干完 n 个子任务：每步都要重发已有历史。"""ctx,total=B,0for_inrange(n):ctx+=W total+=ctx# 本步发送的输入 = 当前上下文全量returntotaldefmulti_agent(n):"""lead 规划 + n 个子 Agent 各自独立上下文 + lead 汇总。"""total=B# lead 规划：读一次背景total+=n*(B+W)# 每个子 Agent：各读一遍背景 + 自己的活total+=B+n*R# lead 汇总：再读一遍背景 + 所有子报告returntotal

运行结果（原样贴出）：

子任务数 单Agent 多Agent 多/单 ------------------------------------- 1 2300 5420 2.36x 2 5400 7840 1.45x 3 9300 10260 1.10x 4 14000 12680 0.91x 5 19500 15100 0.77x 8 40800 22360 0.55x 10 59000 27200 0.46x 15 118500 39300 0.33x 20 198000 51400 0.26x

两个结论直接读表：

1. 子任务 3 个以内，拆比不拆贵。第 1 行最夸张——只有 1 个子任务还拆成多智能体，token 是不拆的 2.36 倍，多出来的钱全花在 lead 的规划与汇总这两次「多余读取」上。
2. 子任务 4 个起，拆才开始划算。第 4 行比例跌破 1.0，之后一路走低；到 20 个子任务时，多智能体总账只有单 Agent 的 26%。

临界点落在 3 与 4 之间。这就是「子任务才两三个还要拆多智能体」纯亏的原因。

🧪 实测环境：Python 3.13.12 / macOS / 只改「公共背景 B」一个变量

把 B 调大调小再跑一次，看临界点会不会动。把上面single_agent/multi_agent的 B 换成参数即可复现：

defcrossover(b):n=1whilemulti_agent(n)>single_agent(n):n+=1returnn

结果：

公共背景B 每子任务工作量W 临界子任务数 ------------------------------------------ 300 800 3 800 800 3 1500 800 4 3000 800 5 6000 800 7

读法：公共背景越大，拆越划算——但临界点只在 3 到 7 之间移动。就算把背景拉到 4 倍（6000 token），也得凑够 7 个子任务，拆才开始回本。

本篇涉及的官方文档与源码：把多智能体编排、上下文成本的官方材料与示例整理进了资料包，配合视频课看更顺。扫码即可获取：

五、什么时候该拆：一条能直接用的判据

把上面两段实测收敛成一张能直接对号入座的表：

什么时候该停手：跑一轮真实数据，把「单 Agent 总 token」和「多 Agent 总 token」各量一次。如果比值没有稳定低于 0.8，说明你这个任务还没到拆的规模——留一个 Agent，把省下的钱花在换更强的模型或补检索上，回报更直接。

还有一条更省事的经验判据：先把任务按「需不需要共享中间结果」过一遍筛。筛完如果剩下的独立子任务不到 4 个，就别费这个劲了——按实测，这个规模拆出来只会更贵。真要做，也建议先不拆上线，拿真实流量把「单 Agent 总 token」量出基线，等任务真的长到拆得动的规模，再动手。

附表 A：本文引用事实与出处对照表

表下口径：本文实测的 token 是按 B/W/R 三个参数推演的模型值，不是接入真实接口的账单；它用来比较两种架构的倍数关系，不是绝对金额。真实预算请用你所用模型官方的计费口径重算。

写在最后：这篇用到的资料

写这篇文章时，把多智能体编排和上下文成本的官方材料又翻了一遍，顺手也整理了几份配套的东西：

• 大模型学习路线图：从零基础到能自己动手做 Agent，按阶段说明每一步该学什么、哪些可以先跳过
• 《LangChain + LangGraph + MCP 智能体开发实战》视频课：7 个模块，从私有化部署、Embedding+RAG 到 MCP+Agent 全流程
• AI 大模型知识库（在线可查）：Agent Skills 从入门到落地、Claude Skills 完全指南等专题，按目录浏览即可
• 640 套 AI 大模型行业报告 + 经典 PDF 书籍：看行业落地案例和别人怎么做的时候用得上
• 大模型零基础到精通教学视频：跟着敲一遍，比只读文档快得多

资料是我自己整理的，放在下面这个码上，扫码即可获取：

添加时备注「AI」，优先通过。

资料按「先路线、再动手、最后查漏」的顺序整理好了，建议先看学习路线那一份，照着它挑一条适合自己当前基础的路径再往下看。