AI代理效率低引发课题组模式反思

背景

在 AI 模型能力快速迭代的背景下，开发者开始尝试通过多代理（multi-agent）架构来提升代码生成效率。文中作者使用 GPT-5.6 的 ultra 档位作为主代理，配合 sol、terra、luna 等不同档位的子代理协同完成编码任务，发现实际效果并不理想。由此联想到科研团队中导师与学生的协作模式，形成了一则幽默而深刻的类比。

核心内容

作者在编程实践中发现，自己使用 GPT-5.6 的 ultra 模型作为主代理，并开启多个子代理（sol、terra、luna 模型）并行工作。表面上看多个代理协同干活很高效，但实际体验是：任务最终可能完成，但速度极慢，且 token 消耗巨大。子代理模型能力越差，问题越严重——它们无法高质量完成任务，需要大量沟通，而且 token 消耗反而更多。相比之下，主代理单独工作，虽然一次只能处理一件事，但往往比带一群笨拙的子代理更省心省力。

作者将这一现象类比到科研课题组：

• 导师相当于 sol 模型，能力强、思考档位高。
• 学生水平参差不齐，有的像 terra，有的像 luna，还有很多甚至不如 luna，被比喻为“本地小模型”。学生的努力程度也各不相同：有人始终高努力（xhigh），有人中等（medium），有人低（low），还有人根本不开“思考”（thinking）。

最令人哭笑不得的是，现在学生也开始使用 AI 工具。导师把任务交给学生，学生再把任务交给 AI，相当于形成了“双层子代理”。信息在导师→学生→AI 之间传递两次，每传递一次就产生一次需求损耗和一次理解偏差。最终 token 烧了一大堆，导师拿到结果时发现完全不是自己想要的。

因此作者提出一个可能性：未来导师可能根本不需要这么多“二级代理”（学生），直接保留几个聪明的一级代理（高能力助手或直接使用 AI）反而更高效。

关键要点

• GPT-5.6 ultra 作为主代理能力强，但带多个子代理（sol, terra, luna）时效率低下，token 消耗高。
• 子代理模型越弱，任务质量越差，沟通成本越高，整体性价比越低。
• 主代理单独工作虽然一次只能做一件事，但通常比带一群笨代理更省心、更高效。
• 课题组类比中：导师是 sol（强模型），学生是 terra/luna 甚至更弱的本地小模型；努力程度对应不同思考档位。
• 学生使用 AI 工具形成“双层子代理”结构，导致需求传递损耗和二次理解偏差，最终结果极差。
• 未来可能趋势：导师减少中间层（学生），直接使用或保留少数高能力直接代理（AI 或聪明助手）。

意义与影响

这篇文章以程序员特有的幽默和类比，揭示了多代理架构在实际应用中的反直觉问题：模型数量增加并不一定带来效率提升，反而可能因沟通损耗、能力落差和 token 浪费而降低整体产出。同时，它精准映射了科研团队中“导师→学生→AI”三层结构的低效，引发了对科研协作模式变革的思考。随着 AI 能力快速提升，传统层级式人类协作（导师带学生，学生再用工具）可能被更扁平化的“人+AI 直接协作”模式所取代，这将对科研团队管理、人才培养乃至教育体系产生深远影响。作者最后对“未来科研道路的更深理解”暗示了这种趋势的必然性：当 AI 足够强大，中间层代理的价值将急剧下降。