给 Opus 配个便宜写手，准确率掉了 14 个点，账单还涨了

多智能体架构最近很热。分工、并行、让便宜模型写代码，听起来能省钱。Ibragim 拿 12 个真实困难任务做了一轮测试，结果不太配合这个叙事。

先看最扎眼的对比。Opus 5.5 medium 单独跑，任务通过率 81%，每任务 $1.20。给 Opus 配 DeepSeek V4.1 Flash 1017 当写代码的工人，通过率掉到 67%，每任务涨到 $1.29。省钱没发生，准确率还少了 14 个百分点。

这组数据来自 Ibragim 的 HARD12 leaderboard。测试集从 Terminal-Bench 4、DeepSWE、SWE-rebench、SWE-bench Pro V2、Longtail-SWE 里选了 12 个任务，任务难度对齐他的日常工作。每个配置跑 3 次，总共 41 个配置、1188 次 agent 运行。任务和完整表在 leaderboard 链接里。

背景是 DeepSeek Harness 发布了一篇 Super-agent 架构长文，讨论把 Router 和 Worker 分开：Router 管全局上下文、优先级、分派和回复，Worker 在沙箱里并行修 bug、审 PR、跑测试，Watchdog 独立监控。社区画的流程很直白。架构图看起来像一支有调度中心的工程队。Ibragim 的测试相当于给这套思路算了一笔真实账单。

实验里最常见的主配置是 Opus 在 Claude Code 里计划和审查，禁止直接改代码，便宜模型负责写。可选的工人有 Haiku 5.5、GPT-6 Luna、DeepSeek V4.1 Flash、Qwen3.8 27B。结果平均下来，Opus 加便宜工人解决 55%，每任务 $1.25。最好的团队配置到 69%，也没追上 Opus 单独。

团队为什么输。71% 的团队失败，出现在工人单独也失败的任务上。多数情况下，工人就是上限。还有一部分失败发生在两个模型单独都能做对的任务上。一个例子：任务是让一个 agent 把工作交给另一个 agent。规格没说空输入怎么办，隐藏测试接受两种行为：抛流错误，或运行子 agent。Opus 给 DeepSeek 写了一张工单，加了第三条规则：返回错误信息，但不要抛异常。DeepSeek 照做。Opus 批准，说 8 个新测试都过了。隐藏测试拒绝。Opus 单独 3/3，DeepSeek 单独 3/3，一起 2/3。

钱花在哪。Agent 每一步都会重发完整上下文，prompt cache 让重复读取变便宜。缓存大约活 5 分钟。Opus 等工人 10 到 15 分钟，缓存过期，Opus 重新写上下文。按这个网关的价格，缓存写入是缓存读取的 25 倍，$5 对 $0.20 每百万 token。团队配置里，Opus 每任务花 $0.52 到 $0.84 在缓存写入上，整个工人只花 $0.06 到 $0.19。Opus 单独时缓存写入是 $0.33。多智能体把等待时间变成了缓存账单。

有些做法有效。Sol 审查便宜模型：DeepSeek 从 56% 到 64%，Qwen 从 28% 到 39%，审查成本约每任务 $0.07。更微妙的一条：让 Opus 继续写代码，但告诉它“你的 token 比工人贵 20 倍”。工人仍然写了 94% 的代码，pass@1 保持 67%，和硬禁止 Opus 改代码一样，Opus 自己的花费从 $1.19 降到 $0.59，总成本 $0.71。审查者是谁也重要。Sol 审查 Opus low，修好 3 次运行，没弄坏；Opus 审查 Sol，没修好，弄坏 4 次。self-review 对两者都没帮助。

关键表格可以看这几行：

多智能体配置看起来像现代软件工程，账单看起来像云厂商的胜利。Ibragim 下一步准备给 Opus 试 1 小时缓存 TTL，再量总账单。这个方向比继续堆 worker 更接近问题本身。毕竟在团队配置里，最贵的常常是等它写完的人，便宜写手排在后面。

来源：

• Ibragim 原帖：https://x.com/ibragim_bad/status/2117662415965798757
• HARD12 完整表：https://ibragim.dev/leaderboard-v2/
• DeepSeek Harness Super-agent 长文：https://x.com/i/article/2116829218935857152