驾驭效应：编排设计如何设定企业代理人工智能的代币经济

arXiv:2607.06906v1 Announce Type: new Abstract: Agentic AI development today runs on token maxing: buying capability with tokens -- longer reasoning traces, more turns, wider tool payloads, bigger replayed contexts -- so tokens per task grow faster than task value.每个代币价格的下跌掩盖了这一模式；总支出无论如何都会增加。我们认为，反对代币最大化的决定性杠杆是工具：编排层，它组装上下文、公开工具、顺序轮换、委派工作并承载企业可观察性和治理。我们通过受控交换将其隔离：22 个锁定评估任务、6 个基础模型（Claude Sonnet 4.6、Gemini 3.1、Gemini Flash 3.5、Qwen 3.6、GLM 5.1、Palmyra X6），仅更改编排层 - 与 Writer Agent Harness 相比的冻结传统生产循环。 Holding models constant, the harness cuts blended cost per task 41% ($0.21->$0.12), median wall-clock 44% (48s->27s), and tokens per task 38% (14.2k->8.8k), with task-completion quality at parity (0.78->0.81, directional at this sample size).效率是模型不变的——每个模型都变得更便宜（33-61%）——而质量增益取决于能力：模型的增益与其基线强度几乎完全相关（r=0.99，n=6），我们将这种现象称为利用杠杆。每美元的质量提升 82%；每百万代币的任务完成次数从 54.9 上升到 92.0。在此工作负载上，编排层对每项任务的成本影响超过了模型菜单的全部传播。我们在编排层将代币经济学形式化（包括即时缓存下的有效输入价格），详细说明了效果背后的六种机制系列——从缓存形状规则到故障支出治理——比较同一轴上的六种广泛使用的代理系统，并认为该工具是一个组件，其效率在组织运行的每个模型中倍增——无论是现在还是未来。