成本问题：什么时候多 AI 能收回成本

多 AI 会更贵。这是我最常听到的反对意见，而且它没错。前期成本增加是否会换来更低的总拥有成本，取决于场景。

前期成本是真实的

多智能体系统消耗的 token 大约是单次聊天交互的 15 倍。算上智能体之间通信、检索开销和日志记录，实际成本乘数通常落在 3 到 4 倍。有一家电商公司启用多智能体工作流后，月度 LLM 成本从 1,200 美元跳到 4,800 美元。

这些数字不应该被淡化。AI 支出增加 3 到 4 倍，需要理由。“值得”必须有数据，而不是感觉。

本章后面会论证：如果把完整成本算进去，多 AI 往往比单 AI 更便宜。但我想先承认标价更高，因为如果你直接无视成本问题，任何真正负责预算的人都不会买账。

廉价 AI 的返工税

前期成本不是总成本。Workday 2026 研究显示，组织大约会把 40% 的 AI 生产力收益花在修复低质量产出上。AI 帮你省下 10 小时，其中大约 4 小时会被用于纠正、澄清或重写。

这和我实际看到的情况一致。GitClear 对 AI 辅助代码的分析发现，代码克隆大约增长了 4 倍：代码生成得很快，但留下了需要事后清理的技术债。Stanford 研究发现，使用 AI 代码助手的开发者写出更不安全的代码，但他们反而相信这些代码更安全。AI 给了他们虚假自信，而引入的漏洞需要资深工程师花时间发现和修复。

模式很稳定：便宜、快速的 AI 输出会带来隐性下游成本，而这些成本不会体现在 token 单价里。高级工程师最后以高级工程师的时薪去审查、修正、重写 AI 生成代码。按每小时 100 到 200 美元的人力成本算，如果 40% 的节省时间都花在修输出上，用单个便宜模型省下的每月 3,600 美元很快就会蒸发。

跨系列审查步骤能在问题到达人类之前抓住很多错误。来自不同家族的审查模型会看到生成模型系统性漏掉的重复模式、安全漏洞和逻辑错误。额外一次 AI 调用的成本，比资深工程师的调试时间低好几个数量级。

为任务选正确模型

不是所有多 AI 都一样。第一条成本优化原则，是把模型能力和任务需求匹配起来。用三个纯文本模型做图像识别任务，比用一个原生支持视觉的模型更差，也更贵。怎么组合，比用多少个更重要。

这其实是在避免浪费。如果要分析图片，就用能原生处理图片的模型，而不是强迫文本模型根据描述猜。如果要生成代码，就用擅长代码的模型，而不是只“还可以写代码”的通用模型。错误模型会把 token 烧在平庸输出上，之后又要重新生成或修复。

企业用户已经在凭直觉做这件事。Perplexity 内部数据显示，在它们平台上，Claude 是编程查询中最常用的模型，而其他模型在其他任务类型上领先。按任务自然路由已经发生了，开发者会根据感知强项选择模型，即使还没有正式路由基础设施。

成本上的启发很简单：在增加第二、第三个模型做审查之前，先确认主任务用的是正确模型。强模型完成初稿，会产生更高质量输出，降低审查工作量。第 6 章会更系统地讨论模型家族强项和配对策略。

执行顺序

这是我用 Dev Buddy 构建多 AI 流水线时的实践观察，不是同行评审结论。但逻辑很直接，也值得用对照实验来验证。

路径 A（推荐）：一个能力强、较贵的模型负责主要生成。另一个不同家族的便宜模型负责审查。总计：1 次昂贵调用 + 1 次便宜调用。强模型第一次就生成较高质量输出；便宜模型不需要从零生成，只需要抓跨系列盲点。审查比生成更简单，因此便宜模型经常能胜任。

路径 B（常见但昂贵）：便宜模型负责主要生成。昂贵模型审查后发现问题。便宜模型修复。昂贵模型再审查。总计：1 次便宜调用 + N 次昂贵审查。初稿省下的钱，会被多轮昂贵审查和迭代吃掉。

我的经验是，路径 A 成本更低，结果也更好。生成和审查是不同任务，有不同能力要求。生成需要深领域知识和从零产出高质量结果的能力。审查需要在已有输出里发现错误和盲点，这个任务便宜模型经常做得不错，尤其是它带来不同训练视角时。

这仍然只是我观察到的模式，不是受控研究。这个假设，也就是执行顺序会显著影响多 AI 流水线的成本和质量，值得用相同任务做严格基准测试，并把总成本连同人工修正时间一起计算。

按任务风险扩缩

不是所有事情都需要多 AI。如果便宜模型能顺利完成任务，比如总结简单文档、回答事实问题、生成样板代码，就不要调用昂贵模型。多 AI 应该用于正确性重要且盲点代价高的任务。

Microsoft 在 2025 年 5 月论文里描述的级联方案很具体：先从单个智能体开始，只有任务值得时才升级到多智能体。它们的混合方案带来 1.1% 到 12% 的准确率提升，并比纯单智能体或纯多智能体最多降低 20% 成本。节省来自不为不需要多智能体的任务支付开销。

决策框架如下：

• 简单任务、低风险：单个模型。快、便宜、足够好。样板邮件不需要三个模型评审。
• 简单任务、高风险：单个模型加一次跨系列审查。医疗信息回复可能很简单，但错误后果严重。
• 复杂任务、低风险：单个模型加抽查。内部草稿本来就会有多人审查，不一定需要完整流水线。
• 复杂任务、高风险：完整多 AI 流水线。金融分析、法律合同审查、生产代码部署，这些场景值得支付开销。

错误做法是把多 AI 当成全有或全无。成本有效的方法是分级使用：用最少模型数量匹配任务风险。

ROI 差距

更广泛的 AI 成熟度 ROI 数据说明，成本问题不只是按 token 定价。这些数字衡量的是 AI 实施成熟度，不是跨系列多 AI 本身，但它们展示了把 AI 做好和做差之间的数量级差距。

投资成熟 AI 实践的公司，也就是有质量保证、系统化评估、结构化工作流的公司，每投入 1 美元能获得 3.70 到 10.30 美元回报。不成熟实现只有约 0.20 美元回报。经验更丰富的组织平均 ROI 是 4.3%，回收期为 1.2 年；不成熟组织是 0.2% ROI 和 1.6 年回收期。差距是 21 倍。

这些是 IDC 和 Microsoft 的通用 AI 成熟度指标，不是专门衡量多 AI。但多 AI 是成熟度差距的一部分。愿意投资质量的组织，包括跨系列审查、系统化评估、结构化工作流，会比只优化最低 token 单价的组织拿到显著更好回报。

最便宜的 AI，不等于最划算的 AI。最划算的 AI，是产出结果不需要你返工的 AI。