交接税：LLM智能体非原生轨迹的延续成本

研究考察编码智能体在长时间任务中，在低成本低能力（LC）与高成本高能力（HC）模型间切换的“交接税”。全轨迹升级仅恢复不到一半的LC到HC质量差距，但成本显著增加；降级则提供更优成本-质量点。交接方向还影响最优界面：减少LC轨迹信息提升升级质量，移除HC轨迹反而降低降级质量。

此前鲜有研究系统量化模型切换对编码智能体成本与质量的影响。该研究首次将这一成本-质量惩罚定义为“交接税”，并揭示交接方向与轨迹信息量对结果的非对称作用，为智能体运行时的模型路由策略提供实证依据。

交接税源于接收模型需要延续由另一模型产生的“非原生”轨迹，其推理偏好与上下文记录不匹配，导致效率与质量损失。全轨迹升级时，过多的LC轨迹信息可能引入错误模式或无用上下文，干扰HC模型发挥；而移除LC轨迹反而有助于HC模型独立推理。降级时，HC轨迹提供高质量示范，能引导LC模型延续正确思路，因此保留轨迹更有利。

对构建编码Agent的产品团队，直接指导模型降级/升级策略：全轨迹升级性价比低，优先考虑降级或清理上下文；升级时减少中间轨迹可改善质量。需权衡轨迹保留与质量，避免无谓成本。

• 为编码Agent增加降级策略：检测到低成本模型阶段可完成任务时，切换至HC模型并保留其轨迹，实现成本与质量优化。
• 在升级时提供“轨迹缩减”模式：仅保留仓库状态和关键决策，删除中间步骤，降低交接税。
• 开发交接成本实时监控工具，计算每次切换的额外成本与质量损失，辅助用户决策。

• 交接税效应是否适用于非编码任务（如数据分析、客服）？
• 不同HC/LC模型组合（如Claude vs GPT系列）的交接效果是否一致？
• 中间轨迹的哪些具体类型（代码编辑、工具调用、推理链）对交接质量影响最大？