在当前的智能代理AI开发中，代币最大化成为常态：通过代币购买能力——更长的推理轨迹、更多的回合、更广的工具负载、更大的重放上下文——使得每项任务的代币消耗增长速度超过任务价值的提升。尽管每代币价格下跌掩盖了这一模式，但总支出依然在上升。
我们认为，抵御代币最大化的关键在于编排层（harness）：它负责组装上下文、暴露工具、排列回合、委托工作，并承担企业的可观察性和治理。通过一个受控替换，我们对22个锁定评价任务和六种基础模型（Claude Sonnet 4.6、Gemini 3.1、Gemini Flash 3.5、Qwen 3.6、GLM 5.1、Palmyra X6）进行了隔离，仅更换编排层——固定的传统生产循环与Writer Agent Harness。
保持模型不变的情况下，编排层使每项任务的综合成本降低了41%（从$0.21降至$0.12），中位时间减少44%（从48秒降至27秒），每项任务所需代币减少38%（从14.2k降至8.8k），任务完成质量保持在同一水平（从0.78提升至0.81，基于此样本量的方向性变化）。
效率与模型无关——每个模型的成本均降低了33%-61%——而质量提升依赖于能力：模型的质量提升几乎与其基线能力完美相关（r=0.99, n=6），这一现象我们称之为“编排杠杆”。每美元的质量提升达到82%；每百万个代币的任务完成量从54.9提升至92.0。
在这一工作负载下，编排层对每项任务的成本影响超过了整个模型选择的全幅差异。我们在编排层正式化代币经济学（包括在提示缓存下的有效输入价格），详细列出该效应背后的六个机制家族——从缓存形状到失败支出的治理——并比较六个广泛使用的代理系统在同一维度上的表现，认为编排层是能在组织运行的每个模型（无论是现在还是未来）中都能倍增效率的唯一成分。