作家｜硅谷 Tech news

剪辑｜赵虹宇

遐想一下这个场景：

你让 AI Agent 帮你修一个代码 Bug。它怒放形势，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……往返折腾了十几轮，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，单次未栽培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、密歇根大学等勾通发布的参谋论文，第一次系统性地怒放了 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，谜底令东谈主胆怯。

发现一：Agent 写代码的烧钱速率，是普通 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？

论文给出对比傲气：

Agentic 编码任务的 Token 消耗量，是普通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 在使命历程中，需要束缚地把所有形势的高下文、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，齐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。

论文把这个步地追溯为一句话：驱动 Agent 老本的，是输入 Token 的指数级增长，而非输出 Token。

发现二：合并个 Bug，跑两次，销耗能差一倍——况兼越贵的 Bug 越招架稳

更让东谈主头疼的是随即性。

参谋者让合并个 Agent 在合并个任务上跑了 4 次，遏抑发现：

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）

在合并模子、合并任务的屡次运行中，最贵的一次苟简是最低廉的一次的  2 倍（Figure 2b）

而如若跨模子对比合并个任务，最高消耗和最低消耗之间不错收支高达  30 倍

临了一个数字尤其值得存眷：这意味着，选对模子和选错模子之间的老本差距，不是"贵小数"，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（可能参预不够）中等老本准确率每每最高高老本准确率不升反降，进入 " 富裕区间 "。

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 多量工夫花在了"类似服务"上。

参谋发现，在高老本运行中，约  50% 的文献稽查和文献修改操作是类似的——也便是说，Agent 在反复读合并个文献、反复改合并瞥代码，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

论文在业界规律的  SWE-bench Verified（500 个着实 GitHub Issue）上，测试了 8 个前沿大模子的 Agent 阐扬。换算成好意思元，开云(中国)一站式服务官方网站Token 成果高的模子每个任务不错多花几十块的区别。放到企业级诈欺——一天跑几百个任务——差距便是真金白银。

更有道理的一个发现是：Token 成果是模子的"固有脾气"，而非任务使然。

参谋者把扫数模子齐得胜解决的任务（230 个）和扫数模子齐失败的任务（100 个）别离拿出来比拟，发现模子的相对名次的确莫得变化。

这线路：有些模子天生就"话多"，跟任务难度关系不大。

还有一个令东谈主深想的发现：模子空匮"止损意志"。

在濒临扫数模子齐无法解决的清苦任务时，梦想的 Agent 应该尽早放置，而不是连接烧钱。但现实是，模子遍及在失败任务上消耗了更多的 Token——它们不会"认输"，只会连接探索、重试、重读高下文，像一台莫得油表警示灯的汽车，所有开到抛锚。

发现四：东谈主类合计难的，Agent 不一定合计贵——难度感知十足错位

你可能会想：那至少我不错阐述任务的难易进度来预估老本吧？

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 的履行 Token 消耗作念对比——

遏抑：两者之间惟一弱联系。

用大口语说：东谈主类合计可贵要死的任务，Agent 可能任意惩办不怎样用钱；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"的难度根柢不是一趟事：

东谈主类看的是：逻辑复杂度、算法难度、业务长初学槛Agent 看的是：形势有多大、要读若干文献、探索旅途有多长、会不会反复修改合并个文献

一个东谈主类大众合计"改一瞥就行"的 Bug，Agent 可能要先读懂所有代码库的结构才能定位到那一瞥——光是"读"就要烧掉多量 Token。而一个东谈主类合计"逻辑很绕"的算法问题，Agent 可能正值知谈规律解法，三下五除二就惩办了。

这就导致了一个窘态的现实：开辟者的确不可能凭直观预估 Agent 的运行老本。

发现五：连模子我方齐算不准我方要花若干钱

既然东谈主算不准，那让 AI 我方来量度呢？

参谋者规划了一个小巧的实验：让 Agent 在着实运转修 Bug 之前，先" inspect "一下代码库，然后预估我方需要消耗若干 Token ——但子虚际实施栽培。

遏抑如何？

扫数模子，扫地外出。

最佳的得益是 Claude Sonnet-4.5 对输出 Token 的量度联系性——0.39（满分 1.0）。多数模子的量度联系性惟一 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：扫数模子齐系统性低估了我方的 Token 消耗。  Figure 11 的散点图中，的确所特殊据点齐落在"竣工量度线"的下方——模子合计我方"花不了那么多"，履行上花了更多。况兼这个低估偏差在不提供示例的情况下愈加严重。

更调侃的是——量度本人也要用钱。

Claude Sonnet-3.7 和 Sonnet-4 的量度老本以至高达任务本人老本的  2 倍以上。也便是说，让它们先"估个价"，比径直干活还贵。

论文的论断口快心直：

现阶段，前沿模子无法准确量度自身的 Token 用量。点下"运行 Agent "，就像开盲盒——账单出来才知谈花了若干。

这笔"浑沌账"背后

藏着一个更大的行业问题

1. "按月订阅"的订价面孔，正在被 Agent 撕开错误

论文指出，像 ChatGPT Plus 这么的订阅制之是以可行，是因为普通对话的 Token 消耗相对可控、可量度。但 Agent 任务十足糟塌了这一假定——一个的任务可能因为 Agent 堕入轮回而烧掉巨量 Token。

这意味着，纯正的订阅制订价对 Agent 场景可能不可握续，按量计费（Pay-as-you-go）在极度长工夫内如故最现实的选项。但按量计费的问题在于——用量本人就不可量度。

2. Token 成果应该成为选模子的"第三主义"

传统上，企业选模子看两个维度：才调（能不颖悟）和速率（干得快不快）。这篇论文给出了第三个同等伏击的维度：能效（花若干才颖悟成）。

一个才调略逊但成果高 3 倍的模子，在鸿沟化场景下可能比"最强但最费"的模子更有经济价值。

3. Agent 需要"油表"和"刹车"

论文提到一个值得存眷的将来场地——Budget-aware tool-use policies（预算感知的器用使用计策）。未必说便是给 Agent 装一个 " 油表 "：当 Token 消耗接近预算时，强制它罢手无效探索，而不是所有烧到底。

当今，的确扫数主流 Agent 框架齐空匮这种机制。

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，而是所有 Agent 范式的结构性挑战——当 AI 从"一问一答"进化到"自主筹划、多步实施、反复调试"，Token 消耗的不可量度性的确是一种势必。

好音尘是，这是第一次有东谈主系统性地把这笔浑沌账翻出来算。有了这份数据，开辟者不错更理智地聘请模子、成立预算、规划止损机制；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 着实走入千行百业的坐蓐环境之前，每一分钱花得清裸露爽，比每一瞥代码写得漂漂亮亮，更伏击。

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。该参谋尚未经同业评审。

（本文首发于钛媒体 APP）开云体育