作家｜硅谷 Tech news

裁剪｜赵虹宇

想象一下这个场景：

你让 AI Agent 帮你修一个代码 Bug。它绽开花样，读了 20 个文献，改了改，跑了一下测试，没过，又改，又跑，照旧没过……往还折腾了十几轮，终于——照旧没修好。

你关掉电脑，松了语气。然后收到了 API 账单。

上头的数字可能让你倒吸一口寒气——AI Agent 自主修 Bug 在外洋官方 API 下，单次未确立任务常烧掉百万以上 Token，用度可达几十至一百多好意思元。

2026 年 4 月，一篇由斯坦福、MIT、密歇根大学等聚首发布的征询论文，第一次系统性地绽开了 AI Agent 在代码任务中的"消费黑箱"——钱到底花在哪了、花得值不值、能不可提前预估，谜底令东谈主惶恐。

发现一：Agent 写代码的烧钱速率，是庸俗 AI 对话的 1000 倍

人人可能合计，让 AI 帮你写代码和让 AI 跟你聊代码，花的钱应该差未几吧？

论文给出对比知道：

Agentic 编码任务的 Token 消耗量，是庸俗代码问答和代码推理任务的  约 1000 倍。

差了整整三个数目级。

为什么会这么？论文指出了一个事实——钱不是花在"写代码"上，而是花在"读代码"上。

这里的"读"不是指东谈主类读代码，而是 Agent 在责任经由中，需要不休地把扫数这个词花样的高下文、历史操作纪录、报错信息、文献内容一股脑儿"喂"给模子。每多一轮对话，这个高下文就变得更长一轮；而模子是按 Token 数目计费的——你喂得越多，付得越多。

打个譬如：这就像请了一个修理工，他每动一下扳手之前，王人要你把整栋楼的图纸重新念一遍给他听——念图纸的钱，远比拧螺丝的钱贵得多。

论文把这个景观转头为一句话：驱动 Agent 老本的，是输入 Token 的指数级增长，而非输出 Token。

发现二：统一个 Bug，跑两次，耗尽能差一倍——并且越贵的 Bug 越不自如

更让东谈主头疼的是随即性。

征询者让统一个 Agent 在统一个任务上跑了 4 次，收敛发现：

在不同任务之间，最贵的任务比最低廉的任务多烧约  700 万个 Token（Figure 2a）

在统一模子、统一任务的屡次运行中，最贵的一次大致是最低廉的一次的  2 倍（Figure 2b）

而要是跨模子对比统一个任务，最高消耗和最低消耗之间不错出入高达  30 倍

终末一个数字尤其值得温雅：这意味着，选对模子和选错模子之间的老本差距，不是"贵少量"，而是"贵出一个数目级"。

更扎心的是——花得多，不代表作念得好。

论文发现了一个"倒 U 型"弧线：

老本水平准确率趋势低老本准确率较低（可能插足不够）中等老本准确率时常最高高老本准确率不升反降，进入 " 足够区间 "。

为什么会这么？论文通过分析 Agent 的具体操作给出了谜底——

高老本的运行中，Agent 大宗时代花在了"叠加就业"上。

征询发现，在高老本运行中，约  50% 的文献搜检和文献修改操作是叠加的——也即是说，Agent 在反复读统一个文献、反复改统一溜代码，像一个东谈主在房间里转圈，越转越晕，越晕越转。

钱没花在解决问题上，花在了"迷途"上。

发现三：模子之间"能效比"天渊之隔—— GPT-5 最省，有的模子多烧 150 万 Token

论文在业界圭臬的  SWE-bench Verified（500 个委果 GitHub Issue）上，测试了 8 个前沿大模子的 Agent 弘扬。换算成好意思元，开云体育中国官网入口Token 成果高的模子每个任务不错多花几十块的区别。放到企业级行使——一天跑几百个任务——差距即是真金白银。

更挑升旨真理的一个发现是：Token 成果是模子的"固有脾气"，而非任务使然。

征询者把扫数模子王人见效解决的任务（230 个）和扫数模子王人失败的任务（100 个）分离拿出来比拟，发现模子的相对名次险些莫得变化。

这诠释：有些模子天生就"话多"，跟任务难度联系不大。

还有一个令东谈主深念念的发现：模子空泛"止损强项"。

在濒临扫数模子王人无法解决的痛楚任务时，联想的 Agent 应该尽早废弃，而不是陆续烧钱。但执行是，模子广泛在失败任务上消耗了更多的 Token——它们不会"认输"，只会陆续探索、重试、重读高下文，像一台莫得油表警示灯的汽车，沿路开到抛锚。

发现四：东谈主类合计难的，Agent 不一定合计贵——难度感知统共错位

你可能会想：那至少我不错阐明任务的难易进程来预估老本吧？

论文找来东谈主类大众，对 500 个任务的难度进行评分，然后和 Agent 的骨子 Token 消耗作念对比——

收敛：两者之间唯一弱操办。

用大口语说：东谈主类合计可贵要死的任务，Agent 可能松驰科罚不若何用钱；东谈主类合计小菜一碟的任务，Agent 可能烧到怀疑东谈主生。

这是因为东谈主和 AI "看到"的难度压根不是一趟事：

东谈主类看的是：逻辑复杂度、算法难度、业务领略门槛Agent 看的是：花样有多大、要读几许文献、探索旅途有多长、会不会反复修改统一个文献

一个东谈主类大众合计"改一溜就行"的 Bug，Agent 可能要先读懂扫数这个词代码库的结构才能定位到那一溜——光是"读"就要烧掉大宗 Token。而一个东谈主类合计"逻辑很绕"的算法问题，Agent 可能正值知谈圭臬解法，三下五除二就科罚了。

这就导致了一个无语的执行：开辟者险些不可能凭直观预估 Agent 的运行老本。

发现五：连模子我方王人算不准我方要花几许钱

既然东谈主算不准，那让 AI 我方来瞻望呢？

征询者瞎想了一个小巧的实验：让 Agent 在真确运行修 Bug 之前，先" inspect "一下代码库，然后预估我方需要消耗几许 Token ——但伪善际践诺确立。

收敛如何？

扫数模子，一网尽扫。

最佳的得益是 Claude Sonnet-4.5 对输出 Token 的瞻望操办性——0.39（满分 1.0）。多数模子的瞻望操办性唯一 0.05 到 0.34 之间，Gemini-3-Pro 最低，仅为  0.04——基本等于瞎猜。

更离谱的是：扫数模子王人系统性低估了我方的 Token 消耗。  Figure 11 的散点图中，险些所相当据点王人落在"完整瞻望线"的下方——模子合计我方"花不了那么多"，骨子上花了更多。并且这个低估偏差在不提供示例的情况下愈加严重。

更讪笑的是——瞻望自己也要用钱。

Claude Sonnet-3.7 和 Sonnet-4 的瞻望老本致使高达任务自己老本的  2 倍以上。也即是说，让它们先"估个价"，比平直干活还贵。

论文的论断快东谈主快语：

现阶段，前沿模子无法准确瞻望自身的 Token 用量。点下"运行 Agent "，就像开盲盒——账单出来才知谈花了几许。

这笔"模糊账"背后

藏着一个更大的行业问题

1. "按月订阅"的订价模式，正在被 Agent 撕开破绽

论文指出，像 ChatGPT Plus 这么的订阅制之是以可行，是因为庸俗对话的 Token 消耗相对可控、可瞻望。但 Agent 任务统共冲突了这一假定——一个的任务可能因为 Agent 堕入轮回而烧掉巨量 Token。

这意味着，隧谈的订阅制订价对 Agent 场景可能不可握续，按量计费（Pay-as-you-go）在至极长时代内已经最执行的选项。但按量计费的问题在于——用量自己就不可瞻望。

2. Token 成果应该成为选模子的"第三意见"

传统上，企业选模子看两个维度：能力（能不颖异）和速率（干得快不快）。这篇论文给出了第三个同等垂危的维度：能效（花几许才颖异成）。

一个能力略逊但成果高 3 倍的模子，在领域化场景下可能比"最强但最费"的模子更有经济价值。

3. Agent 需要"油表"和"刹车"

论文提到一个值得温雅的将来场地——Budget-aware tool-use policies（预算感知的器具使用政策）。简便说即是给 Agent 装一个 " 油表 "：当 Token 消耗接近预算时，强制它住手无效探索，而不是沿路烧到底。

当今，险些扫数主流 Agent 框架王人空泛这种机制。

Agent 的"烧钱问题"

不是 Bug，而是行业必经的阵痛

这篇论文揭示的并非某个模子的劣势，而是扫数这个词 Agent 范式的结构性挑战——当 AI 从"一问一答"进化到"自主贪图、多步践诺、反复调试"，Token 消耗的不可瞻望性险些是一种势必。

好音书是，这是第一次有东谈主系统性地把这笔模糊账翻出来算。有了这份数据，开辟者不错更贤人地接收模子、竖立预算、瞎想止损机制；模子厂商也有了一个新的优化场地——不仅仅作念得更强，还要作念得更省。

毕竟，在 AI Agent 真确走入千行百业的出产环境之前，每一分钱花得清皑皑白，比每一溜代码写得漂漂亮亮，更垂危。

注：本文基于 2026 年 4 月 24 日发表于 arXiv 的预印本论文 *How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks*（Bai， Huang， Wang， Sun， Mihalcea， Brynjolfsson， Pentland， Pei）撰写。作家来自弗吉尼亚大学、斯坦福大学、MIT、密歇根大学等机构。该征询尚未经同业评审。

（本文首发于钛媒体 APP）开云体育中国官网入口