当开发者对多智能体系统的想象还停留在“堆模型、堆算力”的阶段时，Anthropic用一组数据打破了这种惯性思维——用更少的token、更低的成本，获得接近满血版大模型的性能。这不再是实验室里的理想推演，而是Anthropic开发团队在实际工程中高频使用的两种模式：Advisor模式与Orchestrator模式。

这组公开数据的价值不止于展示结果，更在于它揭示了当前大模型落地中的核心矛盾：性能与成本的正相关关系并非不可解耦。Anthropic给出的方案是一种“智能体分层调度”思维——让不同能力的模型在各自擅长的环节发挥价值，而非一股脑地调用最强的模型处理所有任务。

在Advisor模式中，Sonnet 5充当执行者，通过工具调用向Fable 5请求指导。SWE-bench Pro（482题）测试结果提供了清晰的性价比对比：Sonnet 5单独跑，性能75.5%，成本0.75美元；为其配备顾问后，性能提升至84%，成本1.40美元；Fable 5单独完成，性能91.5%，成本2.25美元。而组合方案以约92%的Fable 5性能、仅63%的成本完成，性价比提升幅度接近一个数量级。这意味着，在代码工程等需要深度推理的场景中，开发者可以不必每步调用顶级模型，而是将其作为“专有顾问”按需接入。

Orchestrator模式则是另一种场景的优化策略。Fable 5作为编排者，将复杂任务拆解并分发至多个Sonnet 5 worker并行执行。在BrowseComp测试中，全Sonnet 5方案性能77.8%，成本16.01美元；编排方案性能86.8%，成本18.53美元；全Fable 5方案性能90.8%，成本40.56美元。编排方案以约96%的性能、仅46%的成本，实现了极为实用的平衡。这种“降维复用”的思路尤其适合信息检索、多源数据聚合等任务——这些场景对并行吞吐要求高，但对每一步的单个模型精度容忍度也相对更高。

从行业背景看，这两组模式的出现，回应了企业级部署中最现实的问题：大模型调用的边际成本在规模化后急剧上升。很多团队在POC阶段追求“用最强的模型一次搞定”，但到了生产环境，成本会以线性甚至指数方式反噬效率。Anthropic的做法提供了一条可复用的路径——智能体架构的核心竞争力，正从“谁的模型更强”转向“谁用弱模型做成了强系统”。

对于正在使用Fable 5且面临预算压力的开发者，这组数据就是一份可直接套用的工程模板。以Advisor模式为例，在代码生成场景中，可以将Fable 5作为代码评审顾问，Sonnet 5负责初稿编写，仅在逻辑复杂处触发Fable 5介入。这样既保证了关键节点的精度，又避免了全线高成本调用。在Orchestrator模式下，适合将搜索、摘要、数据清洗等独立任务委托给Sonnet 5集群，由Fable 5统一调度与整合。

可以预见，智能体架构的下一步演进将不再是“更大的模型”，而是更聪明的调度策略。Anthropic这组公开数据，实际上给了整个行业一张“省钱的工程地图”——性能不必满格，成本可控即可商用。