面对SOTA大模型，复杂的智能体架构是否已沦为“负优化”？

近期，开发者社区针对 AI 编程框架“Superpowers”在最新 SOTA（State-of-the-Art）模型上的应用价值展开了激烈讨论。该争议源于一次实际开发体验：在使用肥波5（疑似指代 OpenAI 某最新模型代号）或 GPT-5.6 级别的模型时，开发者发现遵循 Superpowers 框架的“Subagent-Driven”（子智能体驱动）流程导致了极低的效率。据反馈，为了完成一个包含 15 个任务的功能点，系统严格执行了每个任务两次 Review 加一次代码检查的流程，导致仅 Review 环节就触发了 30 多次，并启动了 30 多个子智能体进行复核。这一过程耗时超过 4 个小时，被质疑为严重的资源浪费。核心矛盾在于：随着底层模型（如 OpenAI 的新模型）本身能力的大幅跃升，其内部已集成了大量的约束与代码生成能力。在模型智商极高的情况下，原本为了弥补模型能力不足而设计的繁琐“harness”（约束/控制）流程，反而构成了性能瓶颈。这一现象引发了行业对于 AI 辅助编程中“架构开销”与“模型原生能力”之间平衡的深思。

事件分析

💡 核心观点：随着端到端模型能力的进化，繁琐的智能体工作流正成为阻碍开发效率的瓶颈，AI编程需从“流程冗余”向“能力直接释放”转型。