近日，社区论坛Linux.do出现了一项引人注目的实验项目。一位非计算机专业背景的用户受此前相关帖子的启发，利用“小龙虾”和Open MOSS平台，成功搭建了一套全自动化的AI小说写作Agent集群系统。该实验旨在探索如何利用智能体集群实现长篇小说的自动化生成，并解决长文本创作中的一致性问题。该系统的核心架构将小说创作流程拆解为九个精细化的模块，包括全书规划、资料收集、人物设定与成长、剧情规划、正文写作、审查验证、读者反馈模拟以及基于HR管理机制的Agent进化流程。在技术实现上，系统配置了具备专业技能的爬虫Agent，用于资料的搜集、整理及来源核实；引入了读者反馈机制，通过投喂番茄小说的用户画像数据来模拟市场接受度；同时设计了HR管理Agent，负责监控各子Agent的运行表现并制定进化方案，赋予了系统一定的自我迭代能力。经过数日的调试运行，该系统产出的小说在AI检测网站上的检出率低于10%，且文本通顺度较高。然而，该实验也暴露了多智能体协同的高昂成本问题。据作者统计，系统运行极其消耗算力资源，日均Token消耗量高达1亿左右（约合一周10亿Token），主要瓶颈在于Agent间的通信效率及信息传递误差。尽管作者自嘲为“代码文盲”，但在AI辅助编程工具的帮助下完成了全流程搭建，并公开了包含完整提示词和工作流程的压缩包。该案例不仅展示了当前低代码AI开发工具的潜力，也侧面反映了多Agent架构在实际落地中面临的巨大资源开销与通信优化难题。
事件分析
此案例虽为个人实验，却生动地演示了当前“AI Agent”技术在垂直领域的应用潜力与痛点。技术上，该实验采用了经典的“拆解-分工-协同”的Multi-Agent模式，通过将复杂的创作任务颗粒化（如HR管理、爬虫、读者模拟），降低了单一模型的处理难度，提升了任务完成度。这表明，即便是非技术人员，利用现有的AI应用层工具也能构建复杂的自动化系统。然而，日均1亿Token的消耗量虽然可能存在优化空间，但也揭示了多Agent架构的致命短板：高昂的推理成本和低效的通信机制。Agent间频繁的上下文传递导致了Token的指数级消耗，且容易出现信息损耗。这预示着未来AI Agent技术的发展方向将从“功能实现”转向“效能优化”，即如何在保证智能体自主性的同时，减少Token浪费并优化通信协议。此外，利用Agent模拟真实人类反馈来微调模型风格，也是值得关注的方向。
核心观点：高Token成本暴露多Agent协作短板，从功能实现转向通信效能优化将是落地关键。
原文链接：Linux.do
