構成
最下段の3つは横並びで、worker には中間のモデルを当てる。
メインセッション
gpt-6-astra ／ effort high
出力 1,250 クレジット / 1Mトークン
全体の判断と指示出しだけを担当する
school-director
gpt-5.6-terra ／ effort medium
出力 300 クレジット / 1Mトークン
依頼を分解して下に配る
school-search
gpt-5.6-luna ／ effort low
出力 30 クレジット / 1Mトークン
資料と課題を探す
school-worker
gpt-5.6-terra ／ effort medium
出力 300 クレジット / 1Mトークン
レポートを書く
school-recorder
gpt-5.6-luna ／ effort minimal
出力 30 クレジット / 1Mトークン
やったことを記録する
割り当て一覧
単価は出力 1Mトークンあたり。$ は 1クレジット＝約 $0.04 で換算した。
| 階層 | エージェント | モデル | effort | クレジット | $ 換算 | 担当 |
|---|---|---|---|---|---|---|
| 最上位 | メインセッション | gpt-6-astra | high | 1,250 | 約 $50 | 全体の判断と指示出し |
| 中間 | school-director | gpt-5.6-terra | medium | 300 | 約 $12 | 依頼を分解して下に配る |
| 中間 | school-worker | gpt-5.6-terra | medium | 300 | 約 $12 | レポートを書く |
| 下位 | school-search | gpt-5.6-luna | low | 30 | 約 $1.2 | 資料と課題を探す |
| 下位 | school-recorder | gpt-5.6-luna | minimal | 30 | 約 $1.2 | やったことを記録する |
同じ 1Mトークンを出力しても、メインセッションと recorder では単価が約42倍違う。
どの担当にどのモデルを置くかで、同じ作業量でも支払いが変わる。
割り当ての考え方
太字はどれも元図にある割り当て。そのあとの理由は自分の解釈になる。
- 上ほど高いモデル、下ほど安いモデルを置く。 探す・記録するだけの担当に最上位モデルは要らない
- search には low、recorder には minimal を当てる。 search は決まった場所を見に行き、recorder は決まった形式で書き出すので、effort を下げている
- worker には director と同じ中間のモデルを当てる。 レポート本文を作るので、low まで下げてよいかは未検証
- メインセッションには実作業を持たせない。 判断と指示出しに絞ると、最上位モデルの出力トークン量が減る
コストの見方
前提は2つあり、3枚目はそこから計算した値になる。
1クレジット
約 $0.04クレジット数 × 0.04 が概算のドル
出力の重さ
入力の約6倍同じトークン数でも出力側の消費が大きい
最上位と下位の差
約42倍1,250 ÷ 30
出力が入力の約6倍を消費するため、削るなら出力量から削る。
下位エージェントには長文を書かせず、必要な行だけ上へ返させる。