当25个AI工作节点在36分钟内吐出12,500行代码时，我们甚至不知道账单多少。这不是炫耀，是失控——直到我们跑了52次对照实验，才发现一个反直觉结论：决定AI编程效率的从来不是模型或工具，而是你按下回车前写的那几行字。

一场失控后的清醒

打开网易新闻 查看精彩图片

故事从一次"暴力美学"开始。7个Swarm集群、25个并行AI工作节点、96个文件、36分钟交付。听起来像技术胜利，实际是黑箱——成本未知，质量未测，只有速度是真的。

于是我们设计了52次受控实验。变量覆盖三种架构（顺序执行、多终端并行、Anthropic原生Agent Teams）、三种模型（Haiku/Sonnet/Opus）、三种评分器，以及一个被忽视的因子：任务前的结构化简报。

结果推翻了我们所有的初始假设。

正方：并行即正义？

Anthropic的Agent Teams营销逻辑很诱人：把大任务拆给多个子代理并行处理，速度翻倍。技术层面确实成立——三个代理同时跑， wall-clock时间压缩。

但数据暴露了隐藏成本。每个代理独立加载完整代码库上下文，80K token的上下文被复制三份。缓存消耗（cache burn）迅速吞噬并行收益。测试显示，Agent Teams的成本比顺序执行高出73%至124%，质量评分却无差异。

更讽刺的是，当任务本身被一份结构清晰的CONTRACT.md定义后，顺序执行的成本和速度双双击败并行方案。架构选择沦为次要变量。

反方：简报才是隐藏杠杆

我们设计了一个2×2因子实验：20次对照运行，固定模型和代码库，唯一变量是是否提供CONTRACT.md。

这份文档包含什么？精确到字段名的TypeScript接口、数据库表结构、import路径规范、显式的非目标声明（"本次PR不做分页、不做软删除、不做全文检索"）。

结果：成本下降65%，时间缩短68%，质量评分从5/10跃升至9/10。同一模型，同一任务，差异仅在于任务前的几分钟撰写。

机制很直白——AI从"探索模式"切换为"执行模式"。没有模糊地带需要推理，没有隐含假设需要验证，token消耗集中在实现而非猜测。

第三个变量：自我进化的陷阱

清华NLH团队2026年3月的论文（SWE-bench基准）将"自我进化"（acceptance-gated retry loops）评为最佳 harness 模块，质量提升+4.8分。我们复现了这个机制。

在T3任务中植入故意陷阱（错误import路径、缺失导出），运行5次对照。自我进化确实让验收标准多通过1项，但整体质量从9/10暴跌至6/10，成本膨胀2.1倍。

根源在于模型的编辑行为：它不是外科手术式修改，而是整文件重写。修复一个broken import可能连带重构三个无关函数，引入新的不一致。验收标准通过≠代码质量合格。

我的判断：工具狂热期的终结

这组实验指向一个被忽视的真相：AI编程的效率瓶颈不在工具链，而在人机接口的设计。我们过度投资模型选型、并行架构、智能体编排，却吝啬于任务定义的几分钟。

CONTRACT.md的54%成本降幅不是魔法，是信息熵的压缩。当需求的不确定性被结构化文档消除，AI的计算资源才真正用于生成而非猜测。这解释了为什么同一模型在不同团队手中产出差异巨大——不是模型变强了，是有人先做了功课。

Agent Teams的73%成本溢价和retry loops的质量崩塌，共同勾勒出一幅图景：当前AI编程工具的优化方向，大量建立在"模型足够聪明可以自我纠正"的假设上。但52次实验显示，模型更擅长在清晰约束下一次性做对，而非在模糊目标中迭代逼近。

这对行业意味着什么？短期看，一份标准化的任务简报模板可能比升级模型版本ROI更高。中期看，AI编程工具的竞争焦点将从"谁能生成更多代码"转向"谁能更好地结构化需求输入"。长期看，我们可能正在见证一个反直觉的收敛：最激进的AI自动化，反而依赖最古典的软件工程实践——精确的需求文档。

至于那些仍在追逐并行工作流和智能体编排的团队，数据留了一句冷幽默：你们多花的每一分钱，都在为别人的CONTRACT.md买单。