作家｜硅谷 Tech news

剪辑｜赵虹宇

设想一下这个场景：

你让 AI Agent 帮你修一个代码 Bug。它绽开样式，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……往复折腾了十几轮，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冷气——AI Agent 自主修 Bug 在国外官方 API 下，单次未设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、密歇根大学等联结发布的辩论论文，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、能弗成提前预估，谜底令东说念主畏俱。

发现一：Agent 写代码的烧钱速率，是等闲 AI 对话的 1000 倍

世界可能以为，让 AI 帮你写代码和让 AI 跟你聊代码，花的钱应该差未几吧？

论文给出对比表示：

Agentic 编码任务的 Token 消耗量，是等闲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"不是指东说念主类读代码，而是 Agent 在使命经过中，需要束缚地把通盘样式的高下文、历史操作记载、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。

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

论文把这个欢叫回顾为一句话：驱动 Agent 资本的，是输入 Token 的指数级增长，而非输出 Token。

发现二：兼并个 Bug，跑两次，浮滥能差一倍——而况越贵的 Bug 越不褂讪

更让东说念主头疼的是当场性。

辩论者让兼并个 Agent 在兼并个任务上跑了 4 次，律例发现：

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）

在兼并模子、兼并任务的屡次运行中，最贵的一次约莫是最低廉的一次的  2 倍（Figure 2b）

而如若跨模子对比兼并个任务，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眷注：这意味着，选对模子和选错模子之间的资本差距，开云体育·(KAIYUN SPORTS)官方网站不是"贵少许"，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：

资本水平准确率趋势低资本准确率较低（可能参预不够）中等资本准确率不时最高高资本准确率不升反降，进入 " 实足区间 "。

为什么会这么？论文通过分析 Agent 的具体操作给出了谜底——

高资本的运行中，Agent 广宽时期花在了"重迭作事"上。

辩论发现，在高资本运行中，约  50% 的文献搜检和文献修改操作是重迭的——也即是说，Agent 在反复读兼并个文献、反复改兼并瞥代码，像一个东说念主在房间里转圈，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"毫不交流—— GPT-5 最省，有的模子多烧 150 万 Token

论文在业界程序的  SWE-bench Verified（500 个果然 GitHub Issue）上，测试了 8 个前沿大模子的 Agent 推崇。换算成好意思元，开云kaiyun(中国)官网Token 效果高的模子每个任务不错多花几十块的区别。放到企业级操纵——一天跑几百个任务——差距即是真金白银。

更成心念念的一个发现是：Token 效果是模子的"固有本性"，而非任务使然。

辩论者把通盘模子皆顺利解决的任务（230 个）和通盘模子皆失败的任务（100 个）分辩拿出来比拟，发现模子的相对名次果然莫得变化。

这诠释：有些模子天生就"话多"，跟任务难度联系不大。

还有一个令东说念主深念念的发现：模子缺少"止损矍铄"。

在濒临通盘模子皆无法解决的艰巨任务时，梦想的 Agent 应该尽早毁掉，而不是连续烧钱。但本质是，模子广宽在失败任务上消耗了更多的 Token——它们不会"认输"，只会连续探索、重试、重读高下文，像一台莫得油表警示灯的汽车，一说念开到抛锚。

发现四：东说念主类以为难的，Agent 不一定以为贵——难度感知彻底错位

你可能会想：那至少我不错字据任务的难易进程来预估资本吧？

论文找来东说念主类群众，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——

律例：两者之间只好弱关联。

用大口语说：东说念主类以为选藏要死的任务，Agent 可能猖厥惩处不何如费钱；东说念主类以为小菜一碟的任务，Agent 可能烧到怀疑东说念主生。

这是因为东说念主和 AI "看到"的难度根柢不是一趟事：

东说念主类看的是：逻辑复杂度、算法难度、业务默契门槛Agent 看的是：样式有多大、要读几许文献、探索旅途有多长、会不会反复修改兼并个文献

一个东说念主类群众以为"改一瞥就行"的 Bug，Agent 可能要先读懂通盘代码库的结构才能定位到那一瞥——光是"读"就要烧掉广宽 Token。而一个东说念主类以为"逻辑很绕"的算法问题，Agent 可能未必知说念程序解法，三下五除二就惩处了。

这就导致了一个苦恼的本质：开导者果然不可能凭直观预估 Agent 的运行资本。

发现五：连模子我方皆算不准我方要花几许钱

既然东说念主算不准，那让 AI 我方来展望呢？

辩论者盘算推算了一个小巧的实验：让 Agent 在信得过运行修 Bug 之前，先" inspect "一下代码库，然后预估我方需要消耗几许 Token ——但乌有际实施设立。

律例怎样？

通盘模子，一网尽扫。

最佳的收获是 Claude Sonnet-4.5 对输出 Token 的展望关联性——0.39（满分 1.0）。多数模子的展望关联性只好 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：通盘模子皆系统性低估了我方的 Token 消耗。  Figure 11 的散点图中，果然所突出据点皆落在"无缺展望线"的下方——模子以为我方"花不了那么多"，骨子上花了更多。而况这个低估偏差在不提供示例的情况下愈加严重。

更挖苦的是——展望自身也要费钱。

Claude Sonnet-3.7 和 Sonnet-4 的展望资本甚而高达任务自身资本的  2 倍以上。也即是说，让它们先"估个价"，比径直干活还贵。

论文的论断直肚直肠：

现阶段，前沿模子无法准确展望自身的 Token 用量。点下"运行 Agent "，就像开盲盒——账单出来才知说念花了几许。

这笔"吞吐账"背后

藏着一个更大的行业问题

1. "按月订阅"的订价步地，正在被 Agent 撕开间隙

论文指出，像 ChatGPT Plus 这么的订阅制之是以可行，是因为等闲对话的 Token 消耗相对可控、可展望。但 Agent 任务彻底冲破了这一假定——一个的任务可能因为 Agent 堕入轮回而烧掉巨量 Token。

这意味着，隧说念的订阅制订价对 Agent 场景可能不可抓续，按量计费（Pay-as-you-go）在相称长时期内照旧最本质的选项。但按量计费的问题在于——用量自身就不可展望。

2. Token 效果应该成为选模子的"第三看法"

传统上，企业选模子看两个维度：才调（能不颖慧）和速率（干得快不快）。这篇论文给出了第三个同等攻击的维度：能效（花几许才颖慧成）。

一个才调略逊但效果高 3 倍的模子，在规模化场景下可能比"最强但最费"的模子更有经济价值。

3. Agent 需要"油表"和"刹车"

论文提到一个值得眷注的将来标的——Budget-aware tool-use policies（预算感知的器具使用计谋）。粗浅说即是给 Agent 装一个 " 油表 "：当 Token 消耗接近预算时，强制它罢手无效探索，而不是一说念烧到底。

现在，果然通盘主流 Agent 框架皆缺少这种机制。

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颓势，而是通盘 Agent 范式的结构性挑战——当 AI 从"一问一答"进化到"自主计较、多步实施、反复调试"，Token 消耗的不可展望性果然是一种势必。

好音书是，这是第一次有东说念主系统性地把这笔吞吐账翻出来算。有了这份数据，开导者不错更理智地汲取模子、设立预算、盘算推算止损机制；模子厂商也有了一个新的优化标的——不仅仅作念得更强，还要作念得更省。

毕竟，在 AI Agent 信得过走入千行百业的分娩环境之前，每一分钱花得纯洁净白，比每一瞥代码写得漂漂亮亮，更攻击。

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。该辩论尚未经同业评审。

（本文首发于钛媒体 APP）开云kaiyun中国官网入口