企业官网建设流程全解析

在 AI 编程助手中，Token 消耗是最容易被忽视的成本黑洞。agent-teams-lite采用"编排器（Orchestrator）+ 9 个专职子代理"的 Spec-Driven Development（SDD）架构，通过上下文隔离机制，在大功能开发中相比内联（Inline）模式可节省100,000+ Tokens。这篇文章基于项目官方实测数据，深度剖析其 Token 经济学原理、盈亏平衡点与委托决策规则，帮你把钱花在刀刃上 💰。

一、问题的本质：为什么 AI 会话越聊越"贵"

很多人不知道：LLM 的每一个回合，都要重新处理完整对话历史。可以简单理解为：

第 N 轮成本 = 系统提示词 + 前面所有消息之和 + 当前消息

这意味着内联模式下存在三个恶性循环：

委托（Delegation）正是打破这个飞轮的关键：子代理读取的文件内容，在子代理结束时彻底从编排器的上下文中消失——它们从未进入过编排器的历史。

📖 完整分析见官方文档：docs/token-economics.md

二、一次委托的真实成本：约 11,850 Tokens 固定开销

委托并非免费。每次启动子代理都有固定开销，项目团队用真实文件字节数（÷ 3.5 字符/Token）测得：

💡 一个有趣的纠错：早期估算约 3,700T 用的是示例版 CLAUDE.md（2,440T），而实际安装版高达 7,554T——系统提示词才是最大变量。

三、盈亏平衡点：8 个文件是"分界线"

委托是否划算，不是固定数字，而是依赖数量的函数：

crossover(N_deps) = (系统提示词 + 技能文件 + N_deps × 平均依赖大小) ÷ 平均文件大小

一句话总结：改动 8 个文件以内，内联更划算；8 个以上，委托开始赢。📊

四、省钱的真正来源：不是"更聪明"，而是"隔离"

这是全文最核心的发现。Token 节省来自四个来源，但权重差异巨大：

主驱动因素不是技能指引或错误减少，而是——子代理读过的文件在它们返回时消失了。

压缩成本对比（大功能场景）

委托模式的恢复靠 Engram 引用（约 300T），而不是重读文件（每个工件 3,000 – 15,000T）。仅此一项，大功能就拉开了 10 万+ Tokens 的差距🚀。

五、已落地的六大优化：固定开销直降 38%

项目团队实施了 6 项优化，使完整 SDD 流水线的固定开销下降约 38%：

值得注意：这些优化还经过了三轮独立 AI 评审——包括统一注册表叙事、恢复被压缩到一行的反模式为显式DO NOT条目、用字数（跨模型稳定）替代 Token 数做预算等细节修正。评审记录见 docs/token-economics.md。

六、委托决策速查表：什么时候该委托？

官方给出了清晰的决策规则，直接抄作业 ✅：

⚠️按文件委托是浪费（单文件任务开销放大约 1,209%）。按阶段（Phase）委托才是甜点区——每个 SDD 阶段（探索、提案、规格、设计、任务、实现、验证、归档）恰好是一个自然的委托单元。

9 个子代理的分工详见：docs/sub-agents.md；整体架构与 DAG 阶段编排见：docs/architecture.md

七、五条关键洞察：写给想自建多代理系统的你

1. 编排器是 O(1) 状态的事件循环；子代理是无状态工人——请保持这种设计。
2. 委托不会让子代理变聪明——它让故障域变小。子代理失败只影响自身；内联失败会污染编排器状态。
3. Engram 传引用，不传内容。每个 SDD 工件引用传递成本约 50T，而内联传内容每个工件要 3,000 – 15,000T。
4. 系统提示词大小是主导变量。若能把 CLAUDE.md 从 7,554T 压缩到 4,000T，盈亏平衡点将从约 8 个文件降到约 5 个文件——更多任务会变得"值得委托"。
5. 每次优化都在移动盈亏平衡点。优化是乘数，不是一次性修复 📈。

写在最后

agent-teams-lite 的 Token 经济学给我们一个反直觉但坚实的结论：省钱的核心不是让模型少干活，而是让干过活的内容"消失"。通过按阶段委托、上下文隔离与引用式记忆，大功能开发可省下 100,000+ Tokens，同时换来更小的故障域和更稳的多阶段流水线。

如果你的项目涉及8 个以上文件的功能开发，不妨参考 skills/ 目录下的 SDD 技能与 examples/claude-code/CLAUDE.md 等配置模板，在自己的工作流里落地这套"轻量子代理团队"模式 🤖。