把一个任务从单智能体拆给 3 个智能体，预算常常不是涨 3 倍，而是涨 10 倍——而且其中六成烧在了"互相说话"上，而不是干活。2025 年底一份覆盖 180 组多智能体配置的研究测出：智能体之间的通信会让 token 消耗额外增加 40%–60%；Google Research 的《Towards a Science of Scaling Agent Systems》进一步给出指数——协调开销随智能体数量以 1.72 的指数超线性增长，远快于产能增长。这不是某个框架的 bug，而是分布式协作的物理定律在 LLM 上的复现：节点越多，对齐成本越高。本文用 Brooks 定律做框架，拆解协调税花在哪、哪种拓扑最省、最优团队规模是多少，并给出把它从超线性压回线性的六招。
| 维度 | LangGraph | AutoGen (v0.4) | CrewAI | OpenAI Agents SDK | Anthropic 编排器-工人 | Magentic-One |
|---|---|---|---|---|---|---|
| 协调范式 | 确定性状态图 | 对话式 GroupChat | 角色 Crew + Flow | 显式 Handoff | 编排器派发子智能体 | 共享工作区+轮转 |
| 通信拓扑 | 显式边（可裁剪） | 全连接广播 | 顺序/层级 | 有向无环 | 星型（hub-spoke） | 黑板总线 |
| 每任务成本 | ~$0.08（基准） | ~$0.45（5–6×） | 中等偏快 | 低（原生） | ~15× 单轮 | 偏高 |
| 协调占比 | 低（<20%） | 高（>50%） | 中 | 低 | 中（隔离补偿） | 高 |
| 规模化曲线 | 近线性 | 超线性（≈1.7×） | 超线性 | 近线性 | 受控超线性 | 超线性 |
| 最省场景 | 流程可建模的工程任务 | 探索式研讨 | 角色清晰的流水线 | 轻量编排 | 并行深研 | 浏览器长程任务 |
把 n 个智能体扔进一个团队，它们之间的"对齐成本"不是线性增长，而是按节点间两两关系数 n(n−1)/2 走——这是 1975 年 Fred Brooks 在《人月神话》里写下的"给延误项目加人只会更延误"的根因，半个世纪后在 LLM 上原样复现。Google Research 对五种典型智能体架构做了规模化实验，结论很硬：通信开销随规模以约 1.72 的指数超线性膨胀，快于任何单维产能的提升。clawrxiv 上一篇 2026 年的论文甚至直接把它定为"二次增长定律"。落到账上：cipherbuilds 测出生产级多智能体系统里约 90% 的花费流向编排开销，而非模型本身；augmentcode 的拆解更直白——"3 个智能体的成本是 10 倍"。可以用一小段代码把这个指数可视化：
import numpy as np
n = np.arange(1, 11)
productive = n # 干活成本线性
coord_full = 0.5 * n * (n - 1) # 全连接图，n² 量级
coord_meas = n ** 1.72 # 实测拟合指数
for i, k in zip(n, coord_meas / (productive + 1e-9)):
print(f"n={i:2d} 协调/产能 = {k:4.2f}x")
# n=10 时，协调开销已是产能的 ~7 倍
要点不是"别用多智能体"，而是认清它是一条陡峭曲线：规模每翻一倍，协调税不止翻倍。
知道指数还不够，得知道钱花哪了。把一次多智能体任务的总 token 拆开，协调税大致由六块构成：
agentmarketcap 测得这六块合计让 A2A 通信多烧 40%–60% token。关键洞察：其中传播和冗余两项是"可设计掉"的——它们不是模型税，是架构税。
同样的 n 个智能体，换一种连线方式，协调税能差一个数量级。三种典型拓扑的税负天差地别：
n(n−1)/2，n=10 时已有 45 条边，是最贵的形态。n−1，近线性。O(n) 且天然去重。flowchart LR
subgraph 全连接["全连接图 O(n²) — 贵"]
a1((A)) <--> a2((B))
a1 <--> a3((C))
a2 <--> a3
end
subgraph 层级["层级树 O(n) — 省"]
o((编排器)) --> w1((工人1))
o --> w2((工人2))
o --> w3((工人3))
end
subgraph 黑板["共享黑板 O(n) — 最省"]
b1((A)) -.读/写.-> bb[("黑板")]
b2((B)) -.读/写.-> bb
b3((C)) -.读/写.-> bb
end
全连接 -->|"换拓扑"| 层级
层级 -->|"换拓扑"| 黑板
一句话：凡是让智能体"直接互相喊话"的设计，都在按 n² 收税；凡是引入中间层或共享状态的，都在把税压回线性。
Amazon 的"两张披萨团队"（5–9 人）法则，在智能体身上同样成立，而且更苛刻——因为人还能靠默契省话，智能体只能靠 prompt 对齐。pratititech 把这个拐点称为"协调天花板（coordination ceiling）"：过了某个规模，加智能体不增反降。经验阈值大致是：
VentureBeat 引用的研究结论直白："加更多智能体不是通向更好企业 AI 的可靠路径。" 选型时应先问"任务真的需要并发探索吗"，而不是"我能不能多塞两个角色"。默认值应该是 2，不是 5。
同样的任务，框架选错，协调税能差 6 倍。scorecard 的实测很有代表性：
规律很清晰：编排确定性越高、自由对话越少，协调税越低。 凡是"让模型自己决定该谁说话"的框架（GroupChat 式），都在为这份灵活性付超线性溢价。
最反直觉的一招：让智能体协调，但别让它们开口。 Anthropic 的多智能体研究系统把这条做到极致——每个子智能体跑在自己隔离的上下文里，编排器只收到压缩摘要而非完整推理链；子智能体之间从不直接对话，全部并行。这就把"对齐"从"消息广播"变成了"读共享状态"。两种模式对比：
sequenceDiagram
participant U as 用户
participant O as 编排器
participant S1 as 子智能体1
participant S2 as 子智能体2
rect rgb(255,235,235)
Note over O,S2: 喧闹协调：层层广播、互相喊话
O->>S1: 派发 + 全量上下文
S1->>S2: 直接转交 + 重复上下文
S2->>S1: 反问 + 又一份上下文
end
rect rgb(235,255,235)
Note over O,S2: 哑协调：隔离并行 + 摘要回传
par
O->>S1: 派发（隔离上下文）
O->>S2: 派发（隔离上下文）
end
S1-->>O: 摘要回传
S2-->>O: 摘要回传
Note over O: 编排器汇总，零冗余广播
end
哑协调的三原则：隔离上下文（防污染、防重复投喂）、并行而非串行（省同步等待）、只回传摘要（压缩边界税）。它换来约 15× 的 token 消耗，但质量远超单轮——这是"花得值"的协调税，区别于 GroupChat 那种"花得冤"的协调税。
如果你已经被协调税咬住，按性价比排序，依次上这六招：
协调税最阴险之处是它不会自己报数——账单上只有总 token，看不出多少是干活、多少是闲聊。落地第一件事不是优化，而是埋点：把每次 prompt 打上标签（干活 / 传播 / 同步 / 重试 / 验证），按标签分桶计 token，再算协调占比。一个简单仪表盘：协调占比 >30% 就黄灯，>50% 就红灯。没有这个度量，所有"优化"都是凭感觉；有了它，上面六招才有反馈闭环。记住：协调税是设计税，不是模型税——它 100% 可控，前提是你先看见它。
| 场景 | 推荐配置 | 理由 |
|---|---|---|
| 流程可建模的工程任务（CI、数据处理、运维） | LangGraph + 确定性图，2–3 节点 | 协调税最低，近线性成本 |
| 探索式研讨、头脑风暴 | AutoGen GroupChat，≤4 智能体，设 token 预算 | 接受超线性税换取多样性，但要封顶 |
| 并行深研、多源调研 | Anthropic 式编排器-工人 + 隔离子智能体 | 哑协调，质量最高，token 换得值 |
| 角色清晰的流水线（写作-审校-发布） | CrewAI Crew + Flow | 速度与协调税平衡 |
| 浏览器长程自主任务 | Magentic-One 式共享工作区，注意黑板的去重 | 黑板拓扑压税，但要防状态膨胀 |
| 任何团队的通用起手式 | 默认 2 个智能体 + 显式 Handoff，需要时再加 | 把 Brooks 定律挡在门外 |
一句话总结：多智能体的胜利不在"加人"，而在"加得克制、连得聪明、协调得安静"。 把协调税当 KPI 来盯，你就能在别人烧 10 倍的地方，只烧 2 倍。
这张图把本期的核心论点可视化：路由不是单点决策，而是一条分级流水线 + 可观测回路。绿色节点是低成本快速通道，橙色是昂贵但高准确率的兜底，红色软回滚是控制二阶成本的关键阀门，蓝色可观测层贯穿全程。任何一环缺失，"路由税"都会从可控变成失控。
场景一：客服分流 / 一级类目路由（专家≤5，业务稳定） 首选静态规则路由 + 兜底通用专家。不要为了"先进"上 LLM 路由，规则路由的确定性和零成本在这个量级无可匹敌。重点投入在"兜底专家"上——把所有规则没命中的任务统一交给一个能力最全的专家，而非让规则路由硬猜。训练营卖点：低代码路由台，一天搭出企业级分流。
场景二：内容生产 / 研发助手（专家 5–15，意图清晰但长尾多） 首选LLM 意图路由 + 嵌入粗筛的分级组合。嵌入先吃掉大部分明确任务，LLM 只处理嵌入区分不开的边界任务。务必给 LLM 路由器留"unsure"出口和置信度阈值，低于阈值就走兜底。这是 2026 年性价比甜点区，适合 80% 的企业落地。
场景三：科研 / 跨域法律金融分析（专家>15，任务高价值、高异构） 首选拍卖竞价路由 + 完整可观测。单次任务价值高，错配代价远大于广播成本，拍卖的 3%–7% 错配率值得那个延迟溢价。必须配出价函数的"诚实度先验 + 负载反相关"，否则会被"闲人瞎抢"拖垮。这是天花板最高、工程最复杂的方向，适合做高客单价 To B 产品而非训练营。
场景四：所有生产系统（无论选哪式） 都必须叠加第三、第七节的两层：分级降级路径 + 路由可观测与软回滚。没有这两层，任何路由选择都只是在赌单跳准确率，而真正的账本在二阶成本里。这是本系列"路由税"最想留下的工程结论——路由器的价值，等于它发现并纠正自己错误的速度。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。