一句话看懂：Claude 开发者官方团队披露了两种高效多智能体架构模式——Advisor（顾问）和 Orchestrator（编排者），通过让高性能模型 Fable 5 与低成本模型 Sonnet 5 混合协作，能在保留顶级模型近 92%-96% 性能的同时，将成本压缩至 46%-63%。这为 AI 应用的工程化落地提供了可参考的成本-性能折中方案。
事件核心：发生了什么
根据开发者邵猛在 X 上分享的官方信息，Claude 开发团队在 Fable 5 和 Sonnet 5 的组合使用中，高频采用两种多智能体设计模式。第一种是 Advisor 模式，即以 Sonnet 5 作为主循环执行者，遇到需要高层判断的场景时通过工具调用向 Fable 5 索取建议，Fable 5 返回指导意见后继续执行。实测数据来自 SWE-bench Pro（482 题）：Sonnet 5 单独得分约 75.5%、成本 0.75 美元；Fable 5 单独约 91.5%、成本 2.25 美元；而 Advisor 组合方案得分约 84%、成本 1.40 美元，获得了 Fable 5 约 92% 的性能，价格仅为其 63%。
第二种是 Orchestrator 模式，即 Fable 5 作为编排者做任务规划，将具体执行任务“扇出”给多个 Sonnet 5 worker 并行处理。BrowseComp 完整数据集测试显示：纯 Sonnet 5 得分 77.8%、成本 16.01 美元；纯 Fable 5 得分 90.8%、成本 40.56 美元；而 Orchestrator 组合得分为 86.8%、成本 18.53 美元，达到 Fable 5 约 96% 的准确率，价格仅为其 46%，相比纯 Sonnet 5 成本仅增加约 2.5 美元，准确率却提升了约 9 个百分点。
为什么重要
这项披露的核心价值在于提供了可量化的工程实践模型，而非理论讨论。在 AI 应用落地过程中，成本与性能的平衡一直是关键瓶颈。这两种模式明确了“什么时候该用高价模型做决策、什么时候该用低价模型做执行”的决策依据：Advisor 模式适用于单任务中需要高层纠偏的场景，Fable 5 调用频率低（约一次/任务），大部分 token 按 Sonnet 5 低价计费；Orchestrator 模式则适用于可拆分、可并行的研究或批处理任务，Fable 5 仅在规划阶段集中使用。这为开发者提供了一套可直接复用的架构模板，也揭示了多智能体系统在工程优化上的具体路径——不是单纯堆叠最贵模型，而是通过智能分工实现“帕累托最优”。
对用户/开发者/创作者的影响
对于开发者而言，这意味着可以直接参考这两套模式来设计自己的 Agent 应用。在需要高精度判断（如代码审查、复杂规划）但预算有限的场景下，Advisor 模式可以以 63% 的成本覆盖 92% 的高端模型能力；在批量研究或数据爬取等并行任务中，Orchestrator 模式能接近 96% 的性能而以不到一半的价格完成。对于那些正在构建 AI 工具链的团队来说，这套思路也能被迁移到其他模型组合（如 GPT-4o + GPT-4o mini 或 Gemini 系列）上，降低多模型调度的试错成本。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对于普通用户，更直接的感受可能是类似架构下，应用和服务在保持高质量回答的同时，价格会更具竞争力——因为背后的 token 消耗有更合理的分配。
值得关注的后续
第一，这两种模式是否会被官方工具化、封装成 API 模板或 SDK 供直接调用，是开发者社区的关注焦点。目前公开信息显示，它们还是团队内部高频使用的实践模式，但尚不清楚是否会官方推广。
第二，竞品如 OpenAI、Google 是否会跟进类似的多模型协作架构。如果主流模型提供商都开始提供“分层智能体”组合方案，AI 应用的开发范式可能从“选一个模型”转向“配一套模型策略”。
第三，实测数据基于 SWE-bench Pro 和 BrowseComp 这类基准，实际业务场景中的效果和成本是否符合预期，需要更多第三方验证。不同任务类型下的最优模型搭配参数（如 Fable 5 的调用阈值、worker 并发数量）仍有待探索。
