AI智能体集群是烧钱陷阱，质量毫无提升

OpenAI Codex团队开发者Eric Provencher近期在X平台连续发文，对当前AI工程领域日益盛行的多智能体并行架构提出了尖锐批评。他认为，在大多数实际场景中，同时运行超过两个并行子智能体，几乎不会带来任何质量上的提升，反而会造成大量token的无效消耗。这一观点来自他在OpenAI内部参与Codex项目的一线经验，具有较强的实践依据。

Provencher将这种现象定义为「协调税」（coordination tax）。其核心问题在于：各子智能体之间缺乏相互信任机制，每个智能体都倾向于对其他智能体的输出结果进行重复验证，形成「互相检查作业」的恶性循环。他表示，「在不发生混乱、不大量烧掉token的前提下，维持如此多的并行通道运转，难度极大。」冗余的工具调用和重复劳动，是造成token浪费的最主要原因。

一个广为流传的真实案例印证了他的判断。某开发者使用1393个Fable智能体对单个Python文件进行重构，最终花费了高达2万美元的token费用。Provencher对此评论称，这项任务完全可以由单个Astra智能体以「极低成本」完成。这一案例直观揭示了智能体集群在规模扩张时所隐藏的成本风险，也让「更多智能体等于更好结果」的直觉假设受到了质疑。

在技术层面，Provencher提出了若干优化建议。他认为，应当将任务委派给独立线程，待任务完成后再通知主智能体，而非持续轮询状态，以减少不必要的通信开销。此外，系统提示（system prompt）在多个子智能体之间的累积也会显著推高token消耗，而上下文信息不足则会进一步诱发冗余的工具调用行为。

Provencher坦承，OpenAI在这一领域仍有大量工作需要推进，需要为开发者提供更完善的多智能体协调机制和成本控制工具。这番表态意味着，当前智能体集群架构的低效问题，并非仅是开发者使用姿势的问题，也涉及平台层面的能力缺口。随着企业级AI应用对多智能体系统的依赖日益加深，如何在并行效率与token成本之间找到平衡，将成为整个行业亟待解决的核心课题。

要点

• 并行子智能体超过两个后，几乎必然产生大量冗余验证，导致token消耗急剧上升而质量无明显提升
• 「协调税」的本质是智能体间缺乏互信，彼此重复核查工作，形成资源浪费的恶性循环
• 真实案例显示，1393个智能体耗费2万美元完成的任务，单个智能体本可以极低成本实现
• 建议采用任务完成后通知主智能体的线程委派模式，替代持续轮询，以降低协调开销
• OpenAI自身也承认需要在多智能体协调机制上提供更完善的平台级解决方案