论文解析智能体软件工程中的 Token 经济：60% 消耗在代码评审
随着多智能体系统越来越多地用于自动化软件工程任务，一个关键问题浮现：AI 代理一起写代码，到底贵在哪？
一篇发表于 ICSE 2026 的论文给出了量化答案。研究者使用 ChatDev 框架和 GPT-5 推理模型，对 30 个软件开发任务进行了全流程追踪，将智能体的工作映射为设计、编码、代码补全、代码评审、测试和文档六个阶段，并逐阶段分析 Token 消耗。
代码评审是最大的成本中心
论文最引人注目的发现是：代码评审阶段消耗了全部 Token 的 59.4%。这意味着多智能体编程的主要开销并非初始代码生成，而是后续的自动化精炼与验证。代理间的反复沟通、迭代修改和交叉检查比想象中要昂贵得多。
与之形成对比的是，实际的代码生成阶段消耗远低于代码评审。这也验证了一个直觉：让多个 AI 代理像人类团队一样互相审查代码，会带来巨大的沟通开销。
输入 Token 主导成本结构
另一个关键发现是输入 Token 占总消耗的 53.9%。在多代理系统中，每个代理都需要完整的上下文来理解任务——包括项目结构、已有代码、评审意见等。这种“上下文共享”的支出远超输出 Token，暴露了当前代理协作模式的效率问题。
研究者将这部分开销称为智能体系统的“沟通税”（communication tax），并提出未来需要开发更高效的 Token 协作协议来降低这一成本。
对 Agent Economy 的启示
这篇论文提供了一个务实的经济框架：当企业考虑用多智能体系统替代传统开发流程时，真正的成本不在于代码生成，而在于自动化复审和上下文传递。这对于设计高效的 AI 代理工作流、优化 Token 预算、以及评估 AI 驱动的软件工程成本结构都有直接指导意义。