近日，在技术社区 Linux.do 上，一位开发者反映了在使用 AI 编程工具 Cursor 时遇到的资源消耗问题。该用户在使用“gpt5.6-sol”模型并将推理强度设置为“xhigh”时，发现 Token 的消耗速度异常之快。经排查发现，问题的核心在于 Cursor 的“core-review”阶段。在此阶段，系统会自动启动十几个 AI Agent 并行工作，这种 Multi-Agent（多智能体）协作机制虽然极大地增强了代码审查的深度和广度，但也直接导致了 Token 使用量的指数级增长。该用户尝试通过降低推理强度来缓解成本压力，虽有一定改善但效果有限，最终不得不选择禁用 core-review 相关插件以控制消耗。这一事件凸显了当前 AI 编程工具在向高度智能化、Agent化方向演进过程中，面临的高昂推理成本与用户体验之间的平衡难题。
事件分析
该事件揭示了 AI 编程工具从单一模型调用向 Multi-Agent 系统演进时面临的典型技术挑战。Core-review 阶段启动十几个 Agent 意味着上下文窗口会被多次读取和复用，且高强度的推理模型通常伴随着更长的思维链，两者叠加导致了成本的爆发式增长。技术上看，这反映了当前 Agentic 工作流在资源调度上的粗放性。随着大模型逐步具备更强的复杂任务拆解能力，单纯的“暴力堆砌 Agent” 并非最优解。未来的优化方向可能包括：引入更高效的 Agent 通信协议以减少中间 Token 传输、实施分层推理策略（由小模型预处理，大模型决策），以及在应用层增加对 Token 预算的硬性限制。这也提示开发者，在享受 AI 带来的自动化便利时，仍需关注其背后的经济账，工具开发商也需在提供高性能与控制成本之间寻找更精细的平衡点。
💡 核心观点：多智能体协作模式虽能显著提升代码审查质量，但其高昂的推理成本与资源消耗已成为限制其普及的瓶颈，工具层亟需引入精细化成本管理机制。
原文链接：Linux.do
Codex CLI 深度
AI 模型横评
AI Agent 框架
Claude Code 订阅生存指南