一个独立开发者让 4 个 AI 智能体连续运转了 4 周

一个独立开发者让 4 个 AI 智能体连续运转了 4 周。 任务是反编译 2009 年的经典游戏《使命召唤：现代战争2》。 整个过程烧掉了 2350 亿个 Token。 产生了大大小小超过 2GB 的会话日志。 如果按大模型的官方 API 标价计费，这笔算力开销折合 85207 美元。 当他把这 2GB 的运行日志完整导出来逐行审计时。 当下 AI 圈子里最流行的一批架构直觉，被几乎全盘推翻。

现在的工程师习惯怎么搭多智能体？ 疯狂派生子智能体去查资料，免得污染母体的上下文。 给智能体塞满详尽的提示词，反复告诫它什么能做、什么不能做。 迷信更贵、参数更大的模型，觉得写代码必须用顶配。

但 2350 亿个 Token 跑出来的真实数据，完全是另一回事。

子智能体并没有提升效率，反而在疯狂制造内耗。 很多人以为把任务切给子智能体，母体能保持干净。 日志审计却发现，子智能体从大文件里读取的内容，有 54.7% 是纯粹的重复数据。 一个记录项目进度的 STATUS.md 文件，被 21 个子智能体来回读了 28 次。 不同子智能体重复读取同一份文件的中位间隔，只有 35 分钟。 如果让母体自己查，文件一直在上下文缓存里，根本不需要反复重新加载。 子智能体之间没有共享记忆，隔离上下文省下的空间，全变成了成倍交纳的重复读取税。 作者把子智能体彻底关掉之后，团队的日均提交量没有下滑，反而从 243 次跳升到了 311 次。

靠提示词规劝智能体，几乎全在白费力气。 智能体写完几行代码，就会忍不住在本地跑一遍耗时 4 分钟的完整测试。 开发者在提示词里严厉禁止它本地测试，要求全部交给云端流水线。 智能体最多听话 5 分钟，随后立刻故态复萌。 要求它说话简短、要求它提交后不要反复确认任务，只要经过几次上下文压缩，这些规则就会被彻底抛到脑后。 软性的语言规劝，在长周期自主运行的系统里毫无约束力。 最终起效的只有机械阻断：直接在底层代码里把本地测试的执行入口封死，改用网页钩子在报错时被动唤醒。 管住机器不能靠讲道理，只能靠物理开关。

决定系统质量上限的，甚至不是写代码的工人。 测试显示，用昂贵的 Opus 5 写代码，编译失败率高达 23.9%，每小时只能提交 1.6 次。 换成便宜轻快的 Sonnet 5，失败率降到 9.1%，每小时提交 6.1 次。 如果按每个提交的代码缺陷率来算，两个模型其实都在 19% 左右，干活犯错的概率不相上下。 真正的分野发生在审查岗位上。 让 Sonnet 担任监督员审查代码，能抓出 19.6% 的缺陷。 换成 Opus 担任监督员，抓出的缺陷率只有 14.3%。 把更聪明、更贵的模型放在写代码的位置，收益极低。 把对细节最敏锐的模型放在审查哨位上，才能兜住整个系统的底。

烧掉 2350 亿个 Token，换来的是一套格外朴素的工程常识： 砍掉没有共享记忆的子节点。 用物理阻断代替语言教育。 把审查哨位摆在开发之前。 拖垮智能体系统的，往往不是模型的智力上限。 是人类凭空搭出来的复杂架构，正在暗中向算力征收高额的混乱税。