Anthropic 这步棋赢麻了。

看到一篇推文说是 Anthropic 又新发布了一种新的形式，叫做 advisor strategy ，翻译为战略顾问。它的主要形式不难理解，我给大家解读下：

The advisor strategy on the Claude Platform
The advisor strategy on the Claude Platform
首先 Advisor 是一个「决策者」的角色，这个角色也是一个战略顾问，全能型人才，负责把控一切，但是它不主要做事儿，这个角色由 Opus 4.6 来承载。

Executor 是一个「执行者」角色，这个角色的定位是工匠说白了就一臭打工的，负责执行，干活，运行，自循环。Executor 可以做很多任务，用很多 ide、db、中间件、框架、前端，想咋用咋用，把活干了就行。

看到这里你也许会发现，这 TM 不就是像极了我现在天选打工人的角色吗？只不过这次的对象换成了 Claude Code，这不是天选打工人了，这是天选 Agent。最终还是 Sonnet 和 Haiku 背锅扛下了所有。

好了看到这里，如果你理解了下文就不用看了，如果你觉得有点意思，不妨看下去，多陪我一会儿。

这不是一个小功能更新。在我看来，这是 Anthropic 对当前 AI Agent 领域最深刻矛盾的一次正面回应。

一个真实的行业痛点
过去一年，AI Agent 的叙事非常热闹。大家都在讲「让 AI 自主完成复杂任务」，但真正把 Agent 跑在生产环境里的团队都知道，成本真的烧不起。

逻辑很简单。你希望 Agent 足够聪明，能在复杂场景下做出正确判断——那你就得用最强的模型。但最强的模型意味着最贵的推理成本。而 Agent 的特点偏偏是调用频繁、上下文长、工具交互多，每一轮都在烧钱。

很多团队的做法是「忍痛用大模型」或者「硬着头皮用小模型然后接受更高的失败率」。这两条路都不太走得通。

Anthropic 的解法：让小模型开车，大模型坐副驾
Advisor Strategy 的核心思路，说起来其实非常直觉：

Sonnet（或 Haiku）负责完整的任务执行——调用工具、读写文件、和用户交互、循环迭代，所有脏活累活它来干。当它遇到超出自身能力的决策点时，它会主动「举手」，把问题交给 Opus。

Opus 作为顾问介入——它不直接操作任何工具，不生成面向用户的输出，它只做一件事：给出方向性判断。然后 Sonnet 拿着这个判断继续执行。

技术实现上，Anthropic 把它做成了 Messages API 里的一个内置工具类型 advisor_20260301。开发者只需要在请求里加一个工具声明，就能激活这个模式。所有的模型间通信都发生在一次 API 请求内部，不需要额外的网络往返。

这里面有一个关键设计：max_uses 参数。你可以精确控制每次请求中 Opus 最多被咨询几次。这不是一个「要么全用大模型，要么全用小模型」的二选一，而是一个连续的、可调节的智能-成本光谱。

数据说话
Anthropic 给出的基准测试数据相当有说服力：

Sonnet + Opus 顾问的表现是——在 SWE-bench Multilingual 上相比 Sonnet 单独运行提升了 2.7 个百分点，同时每个 Agent 任务的成本反而降低了 11.9%。性能更好，成本更低，这在大模型领域是非常少见的「帕累托改进」。

image-20260410083610654
更有意思的是 Haiku + Opus 顾问的数据。Haiku 单独在 BrowseComp 上只能拿到 19.7% 的分数，加上 Opus 顾问之后直接翻倍到 41.2%——虽然还追不上 Sonnet 单独跑的成绩，但成本只有 Sonnet 的 15%。对于那些高并发、对成本敏感但又不能容忍太低智能水平的场景，这个组合打开了一个全新的可用区间。

image-20260410083727340
为什么说这步棋走得漂亮
这个策略的精妙之处不仅仅在于技术实现，更在于它背后的产品哲学。

第一，它重新定义了「模型能力」的边界。

以前我们评价一个模型，基本就是看它的绝对能力上限。Opus 最强，所以要做难事就得用 Opus。但 Advisor Strategy 告诉你：一个模型的有效能力不只取决于它自身的参数量，还取决于它能调用什么级别的「大脑」。Sonnet 加上 Opus 顾问，在很多任务上的表现已经逼近甚至超过了 Opus 直接执行——但成本天差地别。

这本质上是在说：模型的能力可以被组合出来，而不是只能被训练出来。

第二，它把 Agent 架构从「分治」推向了「升级」。

之前业界主流的多模型协作模式是 Orchestrator 模式——大模型做规划、分解任务，小模型去执行子任务。这个模式的问题在于，大模型承担了全部的规划成本，而且任务分解本身就是一种信息损耗。

Advisor 模式反过来了。小模型拥有完整的上下文和执行控制权，它只在真正需要的时候才去咨询大模型。这意味着大模型的推理能力被用在了刀刃上，而不是浪费在那些小模型完全可以自己搞定的常规操作上。

第三，它给 Anthropic 自己建立了一个完美的商业飞轮。

想想看：这个功能让开发者有动力同时使用 Anthropic 的多个模型，而不是只选其中一个。

开发者在 Haiku 的低成本和 Opus 的高智能之间不再是非此即彼，而是可以灵活混搭。这意味着 Anthropic 的每个模型层级都有了清晰的商业价值——Haiku 靠量，Opus 靠质，Sonnet 居中调和。

对开发者来说，这降低了选择焦虑；对 Anthropic 来说，这最大化了模型矩阵的整体收入。双赢。

对行业的启示
Advisor Strategy 的推出，让我想到几件更大的事。

首先，AI 基础设施的竞争正在从「谁的模型最大」转向「谁的调度最聪明」。模型本身的能力当然重要，但如何把不同级别的模型编排在一起、让总体的性价比最优化，这正在成为新的竞争维度。

其次，这可能会加速 AI Agent 的真正落地。很多企业不是不想用 Agent，是算了一笔账之后觉得 ROI 不划算。如果一个简单的 API 参数调整就能让 Agent 的运行成本降低 85%，同时智能水平翻倍，那很多之前算不过来的账突然就算得过来了。

最后，这也给竞争对手们出了一道题。OpenAI、Google 接下来是跟进类似的分层策略，还是试图用更便宜的单一大模型来正面竞争？这个选择本身就很有看头。

写在最后
技术行业有一个常见的误区：把「用更大的模型」等同于「更好的解决方案」。Anthropic 的 Advisor Strategy 用一种优雅的方式证明了——聪明地组合，往往比粗暴地堆料更有效。

这让我想起软件工程领域一个古老的道理：好的架构不是让每个组件都变成最强的，而是让每个组件在最合适的位置发挥恰好的作用。

Opus 不需要全程在线，它只需要在关键时刻说对那几句话。这不正是「顾问」的精髓吗？