<!-- title: 人越多越亏：协调税随规模飙升 -->

## 概述：多智能体为什么"加人反而更慢"

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。

## 协调税横评：六框架多维度对比

| 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 |

## 深度分析

### 一、协调税的数学面孔：1.72 的超线性指数

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：

```python
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。

### 二、账本拆解：六成 token 烧在哪些环节

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：

1. **上下文传播**：每个智能体要把"我是谁、任务是什么、上一步别人做了什么"塞进 prompt，团队越大、轮次越多，这部分重复投喂越严重，是最大头。
2. **冗余劳动**：没有共享黑板时，多个智能体各跑一遍同样的检索/计算，"三成调用是重复"在多智能体里会被放大。
3. **同步轮次**：为了对齐共识，团队要反复"开会"——每一轮广播都是一次全员 prompt 重算。
4. **状态汇报**：子智能体回传给编排器的摘要，本质是把长上下文压缩成短消息，压缩本身就是 token。
5. **重试与纠错**：一个智能体报错，触发链式重试，每个重试又带上完整上下文。
6. **验证开销**：怕结果不靠谱，再加一个"评审智能体"复算一遍——这又是一份协调税。

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**。

### 三、拓扑即税率：全连接图 vs 层级 vs 总线

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：

- **全连接图（peer-to-peer 广播）**：AutoGen 的 GroupChat 默认形态，每个智能体都能对每个智能体说话，关系数 `n(n−1)/2`，n=10 时已有 45 条边，是最贵的形态。
- **层级树（orchestrator-worker）**：Anthropic 和 OpenAI Agents SDK 偏好的形态，编排器只和工人说话、工人之间互不通信，边数降到 `n−1`，近线性。
- **共享黑板（blackboard/bus）**：所有智能体读写同一块状态板，通信变成"读一次板"而非"给 n 个人各发一遍"，边数 `O(n)` 且天然去重。

```mermaid
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。

### 四、最优团队规模：智能体的"两张披萨"

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：

- **2–3 个智能体**：协调税可忽略，并行收益最大，适合绝大多数任务。
- **4–6 个智能体**：边际收益开始递减，需要明确的拓扑和分工，是复杂任务的甜区。
- **7 个以上**：协调税频繁压过产能增益，除非任务能切成相互独立的子块，否则别上。

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。**

### 五、框架坐标：谁把协调费压得最低

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：

- **LangGraph（~$0.08/任务）**：把流程画成显式状态图，边是预先连好的、确定性触发的，几乎不产生"商量"开销，协调占比 <20%，是工程化任务的最省选项。
- **AutoGen（~$0.45/任务，5–6×）**：对话式 GroupChat，智能体靠"发言轮"协调，每次广播全员重算上下文，协调占比常 >50%，适合探索式研讨但烧钱。
- **CrewAI**：以角色 Crew 为单位，配合 Flow 做确定性编排，速度占优，协调税中等。
- **OpenAI Agents SDK**：原生 Handoff 把控制权像接力棒一样显式传递，拓扑是有向无环图，没有自由闲聊，协调税低。
- **Anthropic 编排器-工人**：编排器派发、子智能体并行隔离、只回传摘要，靠架构而非通信对齐，是"用 token 换质量"的范本。

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。

### 六、哑协调术：用隔离与共享替掉"说话"

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：

```mermaid
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。

### 七、止损六招：把超线性压回线性

如果你已经被协调税咬住，按性价比排序，依次上这六招：

1. **换拓扑**：把全连接 GroupChat 改成编排器-工人或共享黑板，一条改动，税阶从 n² 降到 n。
2. **以异步替同步**：能写黑板就别开"全会"，能批处理就别逐条广播，把同步等待换成并行读板。
3. **裁团队**：默认从 2 个智能体起步，每次加人前问"这个角色能不能合并/删掉"。
4. **确定性编排**：能用图模型硬编码的流程，就别让模型去猜"该谁说话"，LangGraph 式 > GroupChat 式。
5. **边界压缩**：任何跨智能体的交接，强制走摘要 schema 而非裸传全文，给传播税封顶。
6. **预算闸门**：给协调 token 设独立预算，超阈值自动熔断或降级到单智能体，别让"开会"无限膨胀。

### 八、度量先行：先看见，才能止血

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。**

## 推荐方案

| 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。

## 参考来源

1. [The Multi-Agent Coordination Tax: Why Agent-to-Agent Communication Burns 40–60% More Tokens — AgentMarketCap](https://agentmarketcap.ai/blog/2026/04/05/multi-agent-coordination-tax-context-propagation-token-burn) — 180 组多智能体配置的协调开销实测，40%–60% 额外 token 烧损拆解
2. [Towards a Science of Scaling Agent Systems — Google Research](https://research.google/blog/towards-a-science-of-scaling-agent-systems-when-and-why-agent-systems-work/) — 五种典型架构规模化实验，给出 ~1.72 的协调开销超线性指数与"工具-协调权衡"
3. [Research shows 'more agents' isn't a reliable path to better enterprise AI — VentureBeat](https://venturebeat.com/orchestration/research-shows-more-agents-isnt-a-reliable-path-to-better-enterprise-ai) — 通信开销超线性增长与"加智能体不可靠"的行业结论
4. [How we built our multi-agent research system — Anthropic Engineering](https://www.anthropic.com/engineering/built-multi-agent-research-system) — 编排器-工人架构、隔离子智能体、压缩摘要回传、~15× token 换质量的工程权衡
5. [The 2026 AI Agent Framework Scorecard — AgentMarketCap](https://agentmarketcap.ai/blog/2026/04/24/langgraph-crewai-autogen-framework-scorecard-2026) — LangGraph ~$0.08 vs AutoGen ~$0.45 每任务成本对比与协调占比数据
R0 fill:#e8f5e9
    style AUCTION fill:#fff3e0
    style RE fill:#ffebee
    style OBS fill:#e3f2fd
```

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。

## 推荐方案

**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**。

## 参考来源

1. [Multi-Agent AI Orchestration Patterns: Production Guide — Lushbinary](https://lushbinary.com/blog/multi-agent-orchestration-patterns-supervisor-swarm-pipeline-router-guide/) — 梳理 Supervisor / Swarm / Pipeline / Router 四种生产级编排模式，本期 Router 范式边界依据
2. [Supervisor, Router, and Planner-Executor Patterns — AgentEngineering.org](https://agentengineering.org/articles/supervisor-router-and-planner-executor-patterns/) — 提出"控制权住在哪里"是路由/主管/规划-执行范式的本质分野，本期核心立论来源
3. [AI Agent Orchestration Patterns — Azure Architecture Center](https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/ai-agent-design-patterns) — 微软官方对 handoff 动态委派与路由派工的权威界定
4. [LangGraph vs AutoGen vs CrewAI vs DSPy: 2026 Multi-Agent Framework Decision Guide — AgentMarketCap](https://agentmarketcap.ai/blog/2026/04/11/langgraph-autogen-crewai-dspy-multi-agent-orchestration-2026) — 2026 年四框架在状态管理、可观测、成本上的生产对比，本期框架实现映射依据
5. [LangGraph Multi-Agent — Supervisor & Router Pattern Guide — MyEngineeringPath](https://myengineeringpath.dev/genai-engineer/langgraph-multi-agent/) — LangGraph Router 节点与 conditional edge 路由的代码级实现参考

> [!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。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)