---
title: "Gastos ng multi-agent LLM: per token vs flat session"
description: "Ilang beses na mas maraming token ang gamit ng multi-agent kaysa sa isang agent. Math ng session: flat plan vs per token, nakatagong multiplier, at alin ang panalo."
url: https://broadrouter.com/fil/blog/multi-agent-cost/
lang: fil
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/blog/multi-agent-cost/) (na-update noong 2026-11-16).

# Magkano talaga ang multi-agent na setup: per token vs flat session

Ng BroadNet Inference team · 4 minutong basa · Nailathala 2026-11-14 · Na-update 2026-11-16

Ang gastos ng multi-agent na setup ay halos ang pinagsamang token ng bawat agent, dagdag ang handoff at paulit-ulit na context. Sinukat ng Anthropic na mga 15 beses ng token ng chat ang ginagamit ng multi-agent research system nito, laban sa 4 na beses para sa isang agent. Kada token, lumalaki ang bill sa bawat agent; sa flat plan, lumalaki ito ayon sa mga agent na sabay na tumatakbo.

## Mga pangunahing punto

-   Iniulat ng Anthropic na mga 4 na beses ng token ng chat ang ginagamit ng mga agent, at mga 15 beses ng multi-agent research system nito.
-   Lumalaki ang per-token na gastos ayon sa kabuuang token. Lumalaki ang gastos sa flat plan ayon sa peak concurrency: isang session kada request na tumatakbo.
-   Sulit ang isang session kapag nagdadala ito ng mga 917 milyon input at 46 milyon output token kada buwan sa DeepSeek V4.1 Flash.
-   Ang apat na agent na buong araw na tumatakbo sa volume ng full-time na halimbawa namin ay apat na beses ng $65.40 kada token, laban sa apat na beses ng $60 sa Full Moon session.
-   Mga nakatagong multiplier: nilo-load ulit ng bawat sub-agent ang sarili nitong prompt at tools, binabasa ulit ng orchestrator ang mga resulta, at inuulit ng retry ang buong context.

**Sa page na ito**

1.  Ilang beses na mas maraming token ang ginagamit ng multi-agent system?
2.  Saan nanggagaling ang mga dagdag na token?
3.  Paano lumalaki ang dalawang paraan ng billing?
4.  Ang math ng session, kinuwenta
5.  Paano tantiyahin ang sarili mong bill?
6.  Paano bawasan ang gastos ng multi-agent?
7.  Saan pumapasok ang BroadNet Inference

Puwedeng mas mabilis matapos at mas malawak ang masaliksik kapag hinati ang task sa orchestrator at mga sub-agent. Pinaparami rin nito ang bill, sa mga paraang hindi halata sa listahan ng presyo. Kinukuwenta ng post na ito ang gastos ng multi-agent na setup kada token at sa flat session, gamit ang inilathalang presyo ng BroadNet para sa [DeepSeek V4.1 Flash](https://broadrouter.com/fil/models/deepseek-v4.1-flash/). Nasa [pagpapatakbo ng sabay-sabay na coding agent sa flat rate](https://broadrouter.com/fil/blog/run-parallel-coding-agents-flat-rate/) kung paano bilangin at bilhin ang mga session; pera ang paksa ng post na ito.

## Ilang beses na mas maraming token ang ginagamit ng multi-agent system?

Galing sa write-up ng Anthropic tungkol sa multi-agent research system nito ang pinakamalinaw na pampublikong numero. Iniulat nito na “agents typically use about 4× more tokens than chat interactions, and multi-agent systems use about 15× more tokens than chats.” (salin: karaniwang mga 4× na mas maraming token ang ginagamit ng mga agent kaysa sa chat, at mga 15× na mas maraming token ang ginagamit ng multi-agent system kaysa sa chat.) Nakita rin nito na ang paggamit ng token lang ang nagpaliwanag ng 80% ng variance sa mga performance test nito. Mas maraming agent, mas maraming token ang nagagastos, at kadalasang mas maganda ang resulta dahil dito.

Maingat din ang parehong write-up tungkol sa pagiging bagay: “For economic viability, multi-agent systems require tasks where the value of the task is high enough” (salin: para maging sulit sa ekonomiya, kailangan ng multi-agent system ng mga task na sapat ang taas ng halaga) para mabayaran ang dagdag na performance. Binabanggit din nito na mas kaunti ang tunay na sabay-sabay na bahagi ng karamihan ng coding task kaysa sa research.

Kaya makatwirang ipagpalagay sa pagpaplano na **3 hanggang 4 na beses** ng bersyong may isang agent ang gastos ng multi-agent na bersyon ng isang task. Puwedeng mas mura ang disenyo mo, o mas malala pa. Sukatin ito.

## Saan nanggagaling ang mga dagdag na token?

| Multiplier | Bakit ito nangyayari |
| --- | --- |
| Overhead kada agent | Nagpapadala ang bawat sub-agent ng sarili nitong system prompt at [tool definition](https://broadrouter.com/fil/glossary/tool-calling/) sa bawat tawag |
| Dobleng pagbasa | Binabasa ulit ng mga sub-agent ang parehong file dahil hindi sila naghahati ng context |
| Pagpasa ng resulta | Binabasa ng orchestrator bilang bagong input ang output ng bawat sub-agent |
| Magkakahiwalay na cache | Mas kaunting hit sa [cached input](https://broadrouter.com/fil/glossary/cached-input-tokens/) dahil iba-iba ang prefix ng bawat agent |
| Retry | Ipinapadala ulit ng pumalyang sub-task ang buong context nito |

Ipinapakita ng post tungkol sa [token budget ng agent](https://broadrouter.com/fil/blog/agent-token-budget/) kung paano sukatin ang bawat bahagi kada tawag.

## Paano lumalaki ang dalawang paraan ng billing?

Ang pangunahing pagkakaiba ay kung ano ang binibilang ng bawat isa:

-   **Kada token** ([pay as you go](https://broadrouter.com/fil/glossary/pay-as-you-go/)): binibilang ang bawat token na ipinapadala at natatanggap ng bawat agent. Magdagdag ng agent, madadagdag ang mga token nito.
-   **Flat session**: binibilang ang **mga request na sabay na tumatakbo**. Sa mga unlimited plan ng BroadNet, isang request sa isang pagkakataon ang tinatakbo ng isang session, walang token meter, sa halagang $60 kada buwan sa Full Moon. Apat na session ang kailangan ng apat na agent na sabay na tumatawag sa model. Isa lang ang kailangan ng apat na agent na nagsasalitan.

Ibig sabihin, hindi ginagawang libre ng plan ang multi-agent. May hangganan ang nagagawa ng isang session: sa mga 100 token bawat segundo, mga mga 259 milyon output token kada buwan kung walang tigil itong nagge-generate. Mas maraming token sa parehong oras, mas maraming session.

## Ang math ng session, kinuwenta

Ginagamit namin ang full-time na coding agent mula sa [post namin tungkol sa flat-rate vs per-token](https://broadrouter.com/fil/blog/flat-rate-vs-pay-per-token-llm-api/): 1,000M input token kada buwan, 80% naka-cache, 50M output. Sa DeepSeek V4.1 Flash, $65.40 kada buwan iyan kada token.

| Setup | Buwanang token | Bill kada token | Session | Bill sa plan |
| --- | --- | --- | --- | --- |
| Isang agent, buong araw | 1× | $65.40 | 1 | $60 |
| Orchestrator + 3 sub-agent, lahat abala buong araw | 4× | 4 × $65.40 | 4 | 4 × $60 |
| Parehong team, pa-dagsa ang mga sub-agent, peak overlap na 2 | mga 2× | 2 × $65.40 | 2 | 2 × $60 |
| Apat na magaang agent, tig-side-project na volume | 4 × magaan | 4 × $14.23 | 4 | 4 × $60 |

Ang ipinapakita ng mga row:

1.  **Pabor sa plan ang mga abalang agent, may agwat kada session.** Bawat buong-gamit na session ay nakakatipid ng $5.40 kada buwan sa volume na ito. Apat na beses niyan ang natitipid ng apat na session.
2.  **Pabor sa mas kaunting session ang mga pa-dagsang sub-agent.** Bumili para sa overlap na nakikita mo sa karamihan ng oras. Hindi sinasabi ng mga page ng BroadNet kung maghihintay o tatanggihan ang request na lampas dito, kaya bigyan ang bawat agent ng retry na may backoff para sa concurrency 429.
3.  **Pabor sa per token ang magagaang agent.** Mas mahal nang husto ang apat na session para sa apat na halos nakatenggang agent kaysa sa mga token nila. Sa side-project na volume, $14.23 kada buwan ang bawat agent kada token.

Ang pangkalahatang patakaran: sulit ang isang session kapag nagpapadaan dito ang mga agent na gumagamit nito ng mga **917 milyon input at 46 milyon output token** kada buwan.

## Paano tantiyahin ang sarili mong bill?

1.  Patakbuhin ang multi-agent workflow nang isang linggo sa pay-as-you-go na key, na may usage logging kada agent.
2.  Pagsamahin ang token kada agent: input, cached input at output. I-multiply sa mga 4.3 para sa isang buwan.
3.  Mula sa timestamp ng mga request, alamin kung ilang request ang nagsasabay sa karamihan ng oras. Iyan ang bilang ng session mo.
4.  Ikumpara ang per-token na total sa session × $60 sa [flat-rate vs per-token calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/).
5.  Bago bumili ng isang buwan, patakbuhin ang parehong workflow sa mga Meteor hour na $1, isa kada session.

Pinapayagan ng pay-as-you-go na key ang 4 request na sabay na tumatakbo at 30 kada minuto, kaya tatamaan din ng malaking fan-out ang [rate limit](https://broadrouter.com/fil/glossary/rate-limit/) sa per-token na billing. Magplano ng backoff alinman ang piliin; tingnan ang [matagal na tumatakbong agent](https://broadrouter.com/fil/blog/long-running-agents-timeouts-retries/).

## Paano bawasan ang gastos ng multi-agent?

-   **Magsimula sa isang agent.** Magdagdag lang ng sub-agent kung saan malinis na nahahati ang trabaho.
-   **Bigyan ang mga sub-agent ng mas kaunting tools** at mas maiikling prompt kaysa sa orchestrator.
-   **Magbalik ng buod, hindi transcript,** mula sa mga sub-agent papunta sa orchestrator.
-   **Gumamit ng mas murang model para sa mga sub-agent** kung kaya ng kalidad, at itabi ang mas malakas para sa pagpaplano.
-   **Patakbuhin nang sunod-sunod ang mga handoff** kapag hindi mahalaga ang bilis. Iisang session ang ginagamit ng mga sunod-sunod na agent.

## Saan pumapasok ang BroadNet Inference

Bagay ang mga unlimited plan ng BroadNet sa mga multi-agent system na laging abala ang mga agent: $60 kada buwan ang bawat session, walang token meter sa DeepSeek V4.1 Flash, at puwedeng maglaman ng ilang session ang isang key. Bagay ang per-token na key sa pa-dagsang fan-out at sa ibang model gaya ng GLM 5.3. Hindi bagay ang plan sa mga agent na nakatengga sa halos buong araw, at hindi naglilista ang BroadNet ng tool calling para sa DeepSeek V4.1 Flash, kaya subukan muna ang paggamit ng tools ng mga sub-agent mo. Ipinapakita ng [guide sa OpenAI Agents SDK](https://broadrouter.com/fil/guides/openai-agents-sdk-custom-provider/) ang pagkonekta, at nasa [inference.broadnet.ai/plans](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-multi-agent-cost&utm_content=body) ang mga plan.

Mga libreng tool para rito (Ingles)

-   [Agent run cost estimator](https://broadrouter.com/tools/agent-run-cost-estimator/) Context growth per step, total tokens and cost of one agent run, with a DeepSeek session comparison.
-   [LLM batch job planner](https://broadrouter.com/tools/llm-batch-job-planner/) Run time, binding limit, cost per model and the flat sessions needed to finish a big job by a deadline.
-   [Flat-rate vs per-token LLM cost calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/) Break-even between an unlimited plan and paying per token, per agent.
-   [LLM rate limit and concurrency calculator](https://broadrouter.com/tools/llm-rate-limit-calculator/) Which limit binds first: RPM, TPM or concurrency, with Little's law.

[Libreng tools (Ingles)](https://broadrouter.com/tools/)

## Mga termino sa artikulong ito

[Token](https://broadrouter.com/fil/glossary/token/)

Ang token ay ang yunit ng text na binabasa at isinusulat ng isang language model: isang salita, bahagi ng salita, bantas o byte sequence na ginawa ng tokenizer ng model. Sa token binibilang, nililimitahan at kadalasang sinisingil ng mga LLM API ang paggamit.

[AI agent](https://broadrouter.com/fil/glossary/agent/)

Ang AI agent ay isang system kung saan ang language model mismo ang nagdidirekta ng mga hakbang nito tungo sa isang layunin: pinipili nito kung aling tools ang tatawagin, binabasa ang mga resulta at umuulit hanggang makabuo ng huling sagot o maabot ang limit. Workflow naman ang karaniwang tawag sa fixed na script na tumatawag sa model sa takdang punto.

[Multi-agent system](https://broadrouter.com/fil/glossary/multi-agent-system/)

Ang multi-agent system ay isang LLM application kung saan ilang agent, bawat isa may sariling prompt, tools at context, ang gumagawa sa mga bahagi ng iisang task. Karaniwang disenyo ang orchestrator-worker: nagpaplano ang lead agent, nagpapatakbo ng mga worker agent nang sabay-sabay at pinagsasama ang mga resulta nila.

[Subagent](https://broadrouter.com/fil/glossary/subagent/)

Ang subagent ay hiwalay na agent na sinisimulan ng isang main agent para hawakan ang isang nakatutok na task. Tumatakbo ito nang may sariling context window, system prompt at access sa tools, ginagawa ang trabaho, at resulta o buod lang ang ibinabalik sa main agent, kaya nananatiling maliit ang pangunahing usapan.

[Pay-as-you-go](https://broadrouter.com/fil/glossary/pay-as-you-go/)

Ang pay-as-you-go ay paraan ng pagpepresyo kung saan ang nagamit mo lang ang binabayaran mo, sinusukat kada yunit gaya ng token, request o minuto ng audio, nang walang subscription o minimum na commitment. Ganito naniningil ang karamihan ng LLM API, mula sa prepaid na balance o sa pana-panahong invoice.

[Tool calling (function calling)](https://broadrouter.com/fil/glossary/tool-calling/)

Ang tool calling, tinatawag ding function calling, ay feature ng LLM API kung saan nagbabalik ang model ng structured na request para magpatakbo ng function na tinukoy ng developer, kasama ang JSON arguments. Ang application ang nagpapatakbo ng function at nagpapadala pabalik ng resulta; hindi kailanman nagpapatakbo ng code ang model mismo.

[API key](https://broadrouter.com/fil/glossary/api-key/)

Ang API key ay isang lihim na string na kumikilala at nagpapahintulot sa client na tumatawag sa isang API. Kadalasang hinihingi ito ng mga LLM API sa Authorization: Bearer header, at ang sinumang may hawak ng key ay makakagawa ng mga request na sisingilin sa account na may-ari nito.

[Input at output token (input and output tokens)](https://broadrouter.com/fil/glossary/input-and-output-tokens/)

Ang input token ay ang mga token na binabasa ng language model sa isang request, kasama ang system prompt, history ng usapan, tool definitions at mga larawan. Ang output token ay ang mga token na binubuo nito bilang sagot, kasama ang anumang reasoning. Kadalasang magkahiwalay ang presyo ng dalawa, at mas mahal ang output.

## Mga tanong

### Gaano kamahal ang multi-agent system kumpara sa isang agent?

Depende sa disenyo, pero nagbibigay ng sukat ang inilathalang numero ng Anthropic. Mga 4 na beses ng token ng chat ang ginamit ng mga agent nito at mga 15 beses ng multi-agent research system nito, kaya mga 3 hanggang 4 na beses ng isang agent para sa parehong tanong.

### Mas mura ba ang flat-rate plan para sa multi-agent system?

Kapag laging may ginagawa ang bawat session. Sulit ang Full Moon session ng BroadNet sa mga 917 milyon input at 46 milyon output token kada buwan sa DeepSeek V4.1 Flash. Mas mahal kaysa magbayad kada token ang mga session na nakatengga sa halos buong araw.

### Ilang plan session ang kailangan ng orchestrator na may mga sub-agent?

Isa kada request na sabay na tumatakbo. Ang orchestrator na naghihintay habang sabay na nagtatrabaho ang tatlong sub-agent ay nangangailangan ng tatlo o apat, depende kung tumatawag ito sa model sa panahong iyon. Isa lang ang kailangan ng mga handoff na sunod-sunod na tumatakbo.

### Bakit ang daming token ng mga sub-agent?

May sariling context ang bawat sub-agent. Nilo-load nito ang sarili nitong system prompt at tool definition, binabasa ulit ang mga file na nabasa na ng ibang agent, at nagbabalik ng resulta na binabasa ulit ng orchestrator.

### Sulit ba ang multi-agent system para sa coding?

Minsan. Binabanggit sa write-up ng Anthropic na mas kaunti ang tunay na sabay-sabay na bahagi ng karamihan ng coding task kaysa sa research, at hindi bagay ang mga task na nangangailangan ng shared na context. Subukan muna ang isang agent at magdagdag ng sub-agent kung saan talagang nahahati ang trabaho.

## Magbasa pa

-   [Paano magpatakbo ng sabay-sabay na coding agent sa flat-rate LLM API](https://broadrouter.com/fil/blog/run-parallel-coding-agents-flat-rate/)
-   [Flat-rate vs pay-per-token na LLM API: ang break-even math](https://broadrouter.com/fil/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [Token budget ng agent: saan napupunta ang token ng agent loop](https://broadrouter.com/fil/blog/agent-token-budget/)
-   [Matagal na tumatakbong agent: timeout, retry at checkpoint na matibay](https://broadrouter.com/fil/blog/long-running-agents-timeouts-retries/)
-   [Magkano ang isang run ng AI coding agent: hakbang, context, caching](https://broadrouter.com/fil/blog/ai-coding-agent-run-cost/)
-   [Claude Code sa open model: proxy, native endpoint at mga limit](https://broadrouter.com/fil/blog/claude-code-with-openai-compatible-models/)
-   [Gabay: Paano gumagana ang unlimited LLM API plans para sa mga agent](https://broadrouter.com/fil/guides/unlimited-llm-api-sessions/)
-   [Gabay: Patakbuhin ang OpenAI Agents SDK sa BroadNet Inference](https://broadrouter.com/fil/guides/openai-agents-sdk-custom-provider/)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-multi-agent-cost&utm_content=page-cta) ·

**Mga source**

-   [Anthropic Engineering, paano namin binuo ang aming multi-agent research system (sinuri noong 2026-11-14)](https://www.anthropic.com/engineering/multi-agent-research-system)
-   [Machine-readable na presyo ng BroadNet Inference (pricing.json, na-sync noong 2026-11-14) (Ingles)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-multi-agent-cost&utm_content=sources)
-   [Mga plan at plan FAQ ng BroadNet Inference (sinuri noong 2026-11-16) (Ingles)](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-multi-agent-cost&utm_content=sources)
-   [API reference ng BroadNet Inference, mga limit (sinuri noong 2026-11-16) (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-multi-agent-cost&utm_content=sources)
