交接税：LLM智能体中延续非原生轨迹

编码智能体执行跨越数十次模型调用、工具使用和代码编辑的长时任务。随着任务推进，用户面临实际的成本-质量权衡：在廉价模型吃力时升级到更强模型，或在困难推理完成后降级到廉价模型。每次切换都要求接收方延续由另一个模型产生的非原生轨迹。我们研究这种交接如何影响质量和成本，以及接收方继承的轨迹信息量如何改变结果。使用来自Claude和GPT系列的低成本低能力（LC）与高成本高能力（HC）模型对，我们改变交接方向、时机和接口，在保留代码仓库状态的前提下比较完整轨迹传递、压缩和轨迹移除。在两个模型家族中，完整轨迹升级挽回的LC到HC质量差距不足一半，却带来可观的成本溢价。我们将这种成本-质量损失称为交接税（handoff tax）。相比之下，降级提供了有利的成本-质量点。有趣的是，偏好接口也随方向而反转：减少LC模型轨迹信息可提升升级质量，而移除HC模型轨迹则降低降级质量。