多模型智能体系统正成为人工智能领域的重要发展方向。某研究团队通过实验证明，将高性能模型作为任务规划者与协调者，搭配低成本执行模型，可显著降低项目整体计算成本，实现最高15倍的效率提升。这种设计模式在大规模任务中展现出独特优势，仅需在初始分解、设计决策等关键环节调用前沿智能，后续执行阶段由经济型模型完成即可。
该团队以重构SQLite数据库为核心实验场景，要求智能体系统仅基于835页官方文档，在无源代码、无测试用例、无网络连接的条件下，使用Rust语言完整实现数据库功能。实验结果显示，采用新型协作架构的系统在四小时内达到80%测试通过率，而传统架构系统运行不足两小时即崩溃。更引人注目的是成本差异，不同模型组合方案的成本跨度达十倍，最优方案仅需千余美元即可完成任务。
系统架构采用树状分工模式，由高性能模型担任规划器，负责将整体目标分解为可执行子任务；低成本模型作为执行器，专注于完成具体开发工作。这种设计使系统能够根据任务复杂度动态调整资源分配，避免单个智能体同时处理全局规划与局部执行导致的认知过载。实验数据显示，新型架构的代码冲突率较传统架构降低98%，核心文件修改频次减少99%。
为支撑高强度并发协作，研究团队开发了专用版本控制系统，实现每秒千次代码提交的处理能力。该系统通过多层次协调机制解决智能体协作难题：当出现规划冲突时，强制要求规划器明确决策边界；面对代码合并争议，引入中立仲裁模型进行冲突消解；针对大型文件修改，设置自动拆分机制预防性能衰减。这些创新使系统在持续运行中保持代码质量稳定，最终生成的代码库规模较传统方案缩减75%。
成本分析表明，执行阶段消耗的token占总量的90%以上，但规划阶段虽token使用量少，却因采用高价模型而占据60%以上预算。这种成本结构印证了混合架构的经济性——用Opus 4.8模型进行规划搭配Composer 2.5模型执行，较全程使用GPT-5.5模型节省96%成本。研究特别指出，当使用次优规划模型Fable 5时，虽单个token成本翻倍，但总规划token需求减少60%，整体成本仍低于高端模型方案。
实验验证了规格说明驱动开发模式的可行性，智能体系统成功将835页文档转化为可执行数据库。研究团队将开发过程中的知识积累机制命名为Field Guide，通过智能体自主维护的共享文档实现经验传递。这种类编译器的工作模式虽存在概率性误差，但通过多层审查机制可将错误率控制在可接受范围。审查系统采用多维度验证策略，结合不同模型的审查视角，形成类似自动驾驶的冗余保障体系。
公开的代码实现显示，新型架构生成的代码库结构清晰，包含9个逻辑单元，较传统方案的54个模块减少83%。在通过全部测试的配置中，最优方案仅需4645行代码即实现完整功能，较传统方案缩减75%。这项研究不仅为AI应用层开发提供了经济高效的解决方案，更揭示了通过模型分工实现智能资源优化配置的新路径。相关代码已开源发布，供开发者研究参考。
