三个Agent组队干活实录：分工交接手册，踩完坑才敢交出来
上个月接了个项目，帮一位做跨境电商的朋友把商品详情页生成工具做一次彻底重构。原来的模板脚本要升级成一条完整链路：标题撰写、卖点提炼、FAQ生成、多语言翻译，再加上SEO检查和格式导出，五个环节彼此咬合。规模谈不上大，但麻烦——环节多、依赖多。
起初我想偷懒，直接开了一个Claude Code的Opus会话，丢过去一句"全部你来"。结局各位大概也能猜到：跑了47分钟，消耗约230万token，账单11.2美元，交付结果我人工抽检，五个环节错了两个——爬虫把变体商品的价格抓错了，FAQ生成干脆照抄了上一个商品的答案。返工又搭进去半小时。
那一瞬间我明白了一个道理：让单个强模型单线程干活，并不等于"雇了一个聪明人"，而是"让一个聪明人同时兼任产品、开发、测试和翻译，还不给他任何交接文档"。 人扛不住，Agent也一样会犯糊涂。
于是我开始研究多Agent协作。下面这篇文章，记录了我一个月里试错、踩坑、推翻重来的全过程，包括最终跑通的方案、账面上的真实数字，还有一份可以直接照抄的作业。
第一次尝试：自由接力，栽在交接环节
我最初的想法很朴素：串行接力。一个Agent写需求，一个Agent写代码，一个Agent验收，像流水线一样往下传。
试了两轮，问题全部出在交接上。
第一轮，我让"规划Agent"（DeepSeek-V3.2，便宜，大概一块钱百万token的量级）输出一份自然语言需求文档，直接丢给编码Agent（Claude Code + Sonnet 4.5）。结果这份文档写了1200字，一半是"保证质量""注意兼容性"这类正确的废话，真正要紧的约束——比如"价格字段必须取 variant.price 而不是 product.price"——埋在第三段中间，Claude Code压根没看见。代码能跑，业务全错。
第二轮我换了策略，让规划Agent输出结构化JSON任务卡，字段包括goal、constraints、acceptance_criteria、forbidden。这次约束确实被执行了，但新问题冒出来：上下文丢失。编码Agent干活时图方便，把前面爬虫环节的数据结构改成了自己习惯的命名，检查Agent拿着原始需求来验收，两边对不上，互相甩锅——当然，账单还是我付，反复重跑。
两轮下来我算了笔账：单看每个Agent都便宜（DeepSeek一次几分钱，Sonnet一次两三毛），但因为交接不清导致的返工，整体耗时从预期的40分钟膨胀到2小时20分，总成本反而比单Agent方案高出12%。便宜模型 + 糟糕交接 = 最贵的方案，这是我踩的第一个坑。
第二个坑更隐蔽：我一开始让三个Agent共享同一个工作目录，以为这样"沟通更顺畅"。结果编码Agent写到一半，检查Agent的某个自动化lint脚本正好在跑，把半成品文件格式化了一遍，编码Agent回来发现自己代码"被改了"，开始修一个根本不存在的问题，白白多烧40万token。后来我给每个Agent划了独立工作区，靠显式文件交接，才消停下来。
重构方案：分工清晰、交接物化、验收硬门槛
折腾两周后，我定下了最终架构，三句话概括：分工按"思考成本"切，不按"功能模块"切；交接只认物化的工件，不认聊天记录；验收设硬门槛，不过就回退，不商量。
具体拆成四步：
1. 规划环节——用最便宜的模型，干最贵的架构思考。 这里有个反直觉的点：规划恰恰可以用便宜模型，因为规划任务的输出是"给机器看的结构化任务卡"，不需要文采，只需要完整和精确。我用DeepSeek-V3.2加一份精心调过的prompt模板（前后改了9版），输出固定字段的JSON任务卡：goal、input_schema、output_schema、constraints（数组，逐条编号）、acceptance_tests（至少3条可自动执行的断言）。单轮成本约0.03元，输出稳定在900token以内。这一步省下来的钱，全都补贴给后面贵模型的执行环节。
2. 编码环节——上最好的模型，但给它戴上镣铐。 编码用Claude Code + Sonnet 4.5，但启动时挂载一份我手写的HANDOFF.md，内容只有两块：任务卡原文，和"你可以改什么、不能改什么"。关键配置是我在.claude/settings.json里关掉了它的自动执行权限，只允许它写文件，跑测试必须由我（或脚本）触发。这样它就没法自己跑一半测试然后说"应该没问题"。这一步单轮成本约0.35美元。
3. 检查环节——换个"物种"来验收。 这是我认为整套方案里最值钱的决定：检查Agent不用Claude，改用GPT-5（当时也试过Codex CLI，效果接近，GPT-5的代码审查指令遵循更稳）。用同一个家族的模型自检，等于让学生自己批改自己的卷子——Claude生成的代码让Claude挑毛病，它总能找到理由原谅自己。换个异构模型，挑剔程度肉眼可见地上升。检查Agent拿到的是任务卡+产物，不拿到编码过程的任何上下文，避免"它都这么辛苦写了"的共情偏差。单轮成本约0.22美元。
4. 回退机制——一次不过，整体回退到编码环节，最多两次。 超过两次就升级到我的桌面，人工看一眼——实践里一个月触发过3次，全是需求本身有歧义，不是Agent的锅。
整个流程我用一个60行的Python脚本编排，脚本本身不调任何模型API，只负责传文件、记日志、算token。模型API全部走各家官方接口，没有用什么花里胡哨的编排框架——这个决定我也要单独说：市面上的多Agent框架我试了三个，全是智商税重灾区，封装一层"Agent社会"的概念，底层还是顺序调用API，但token消耗因为系统prompt膨胀涨了30%以上，调试还更痛苦。一个能看懂的循环脚本，比什么都强。
跑一个月的真实账本
方案上线后我在真实业务上连续跑了一个月，处理详情页生成任务412次，账本如下：
- 单次平均成本：从单Agent方案的11.2美元降到3.1美元，降幅72%。其中规划0.03元（约0.004美元）、编码2.6美元、检查0.4美元、回退重试摊销约0.1美元。
- 单次平均耗时：从47分钟降到14分钟。因为我把人工等待环节全部脚本化了，流程在夜里也能自己跑。
- 一次通过率：从抽检估算的60%提升到91%。剩下的9%里，七成是需求歧义，两成是源数据本身脏，真正属于Agent能力问题的不到3%。
- 月均总成本：这项业务原来预估月成本约500美元（按单Agent方案估算），实际月账单187美元。
- token结构变化：这是我最想分享的一个细节。总token从单次230万降到约95万，降幅59%，但更关键的是推理token占比从41%降到了18%——因为每个Agent的上下文都变短了、变干净了。单Agent方案里大量token浪费在"前面环节的记忆"上，多Agent方案里每个角色只看自己该看的，上下文即成本，这句话请刻在心里。
什么值得折腾，什么是智商税
折腾一个月，我的态度很明确，直接说：
值得折腾的：异构模型分工（便宜模型规划+贵模型执行+异构模型审查）这一条， alone 就值回所有试错成本；交接工件的结构化（任务卡、schema、验收断言），投入产出比极高，写一次模板受益半年；以及"上下文即成本"的预算意识。
智商税：重型多Agent编排框架（除非你做的是真正需要并行探索的研究型任务）；让Agent之间用自然语言"自由讨论"——听起来很美，实测是token黑洞加错误放大器，三个Agent讨论十分钟得出的结论，不如一个清晰的JSON任务卡；以及一切"全自动无人值守"的宣传话术，我的实践是人退到验收和例外处理两个位置，剩下的交给流程，这个位置感比"全自动"靠谱得多。
可照搬的建议清单
- 按思考成本分工，不按模块分工：规划用便宜模型（DeepSeek-V3.2级别），执行用强模型（Claude Sonnet级别），审查用异构模型（GPT-5或Codex）。
- 交接只认结构化工件：JSON任务卡，字段至少包含goal、input_schema、output_schema、编号化的constraints、可自动执行的acceptance_tests。禁止自然语言长文档交接。
- 每个Agent独立工作区，通过显式文件传递状态，禁止共享目录裸奔。
- 检查者不能和执行者同家族，且不给它看执行过程，只看需求和产物。
- 验收设硬断言，一次不过自动回退，上限两次，超过就人工介入——人工介入不是失败，是流程设计的一部分。
- 编排层保持蠢：一个能看懂的Python脚本 > 任何黑盒框架。编排代码不调用模型，只做文件搬运和记账。
- 给每个环节记token和耗时，每周看一次结构，推理token占比超过30%就该砍上下文了。
- 权限最小化：编码Agent只写文件，不许自跑测试；检查Agent只读不许写。
- 模板要迭代：任务卡prompt我改了9版才稳定，别指望第一版就完美，把bad case攒下来喂回去。
- 先在一个小任务上跑通全流程再扩面，我第一个月只在详情页生成这一个场景验证，跑顺了才复制到客服话术和邮件营销两个新场景，复制成本很低，因为模板都是现成的。
多Agent协作这事，说到底不是技术问题，是组织设计问题——你本质上是在给一群没有记忆、没有责任心但执行力爆表的"实习生"设计管理制度。想清楚谁有权决定、谁有权执行、谁有权说"不"，比换任何一个新模型都管用。
说明：本文数据来源为公开行业报告综合整理，文中涉及的token量、成本、耗时等数值基于作者个人实践记录，部分为估算值，仅供参考。