Advisor 策略：用更低成本，给 AI Agent 补上接近 Opus 级别的智能

如果你正在做 Agent 产品，最近一个很现实的问题一定绕不过去：

怎么在智能水平和调用成本之间，找到一个真正能落地的平衡点？

Anthropic 在最新这篇文章里，给出了一个很值得关注的答案，叫 Advisor Strategy。

简单说，就是：

让 Sonnet 或 Haiku 负责真正执行任务，让 Opus 只在关键决策点出来“当参谋”。

这样做的结果是，你不需要在整个任务过程中都付出 Opus 的高成本，却依然能在很多复杂场景里拿到接近 Opus 级别的判断质量。

Anthropic 也顺手把这个思路做成了 Claude Platform 里的一个新能力，叫 advisor tool。对开发者来说，这基本上意味着一件事：

原来需要自己手搓的一套“高级模型做决策、便宜模型做执行”的机制，现在可以更低成本、更标准化地接进 API。

一、什么是 Advisor Strategy？

先说结论版：

• Sonnet / Haiku = executor（执行者）
• Opus = advisor（顾问/参谋）

在这个架构里，执行者负责把任务从头跑到尾，包括：

• 调用工具
• 读取结果
• 继续迭代
• 完成最终输出

而 Advisor，也就是 Opus，不直接做这些事情。它的职责更像一个只在关键节点出现的高级顾问：

• 当执行者遇到难判断的问题时，向 Opus 咨询
• Opus 基于共享上下文，返回一个建议
• 建议可能是一个计划、一个纠偏意见，或者一个“这里该停”的信号
• 然后执行者继续往下跑

Advisor 不负责调用工具，也不直接给最终用户输出内容。它只负责给执行模型“出主意”。

这和很多人熟悉的多 Agent / 子 Agent 架构很不一样。

过去常见的模式是：

• 一个更强的大模型做总控
• 它拆任务
• 它分发给多个更小的 worker
• 再把结果汇总

让一个更便宜、更轻量的模型一路主导执行，只有在真正需要高阶推理的时候，才把问题递给更强的模型。

二、为什么这个策略值得重视？

因为它抓住了一个 Agent 时代很核心的现实：不是所有 token 都值得用最贵的模型去生成。

一个完整的 Agent 任务里，真正需要最强推理能力的，往往只占少数关键节点。

• 选哪条路径继续
• 某个修复方向对不对
• 这里要不要停止尝试
• 两个方案的结构性优劣是什么

而大量的执行成本，其实花在工具调用、结果读取、中间状态整理、重复试错和最终产出组织上。

Advisor Strategy 的本质，就是把钱花在真正该花的地方。

三、Anthropic 给出的效果数据

1）Sonnet + Opus Advisor

在 SWE-bench Multilingual 上：

• 相比 Sonnet 单独运行
• Sonnet + Opus Advisor 的成绩提升了 2.7 个百分点
• 同时，每个 agentic task 的成本还降低了 11.9%

2）Haiku + Opus Advisor

这个组合更适合高并发、对成本极度敏感的场景。

在 BrowseComp 上，Haiku 单独运行：19.7%，Haiku + Opus Advisor：41.2%。

当然，它和 Sonnet 单跑相比，分数仍然落后 29%。但关键在成本：Haiku + Opus Advisor 每个任务的成本，比 Sonnet 单跑低 85%。

四、advisor tool 到底解决了什么问题？

Anthropic 把这个思路做成了 advisor tool，让 Sonnet 和 Haiku 在需要时主动咨询 Opus，而不需要开发者自己反复手动编排模型切换。

官方给出的调用方式大致是这样：

response = client.messages.create(
 model="claude-sonnet-4-6",  # executor
 tools=[
 {
 "type": "advisor_20260301",
 "name": "advisor",
 "model": "claude-opus-4-6",
 "max_uses": 3,
 },
 # ... your other tools
 ],
 messages=[...]
)

• 它是单请求内完成的，延迟和上下文管理更可控
• 是否调用 advisor，由 executor 自己决定
• 可以通过 max_uses 控制咨询次数
• advisor 和 executor 分层计费

五、我的结论

凡是“执行过程很长，但真正高难判断只发生在少数关键节点”的 Agent 任务，都值得尝试 Advisor Strategy。

它真正有价值的地方，不只是“更便宜”，而是让 Agent 系统具备一种更工程化的智能分层能力。

未来高质量 Agent，不一定是全程都用最强模型，而更可能是：把最强模型放在最关键的位置上。

原文信息

• 原文标题：The advisor strategy: Give agents an intelligence boost
• 来源：Anthropic
• 发布时间：2026 年 4 月 9 日
• 原文链接：https://claude.com/blog/the-advisor-strategy