作家｜硅谷 Tech news

剪辑｜赵虹宇

假想一下这个场景：

你让 AI Agent 帮你修一个代码 Bug。它翻开神色，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……走动折腾了十几轮，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 在外洋官方 API 下，单次未竖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、密歇根大学等集会发布的谋划论文，第一次系统性地翻开了 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，是普通 AI 对话的 1000 倍

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

论文给出对比透露：

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，需要不断地把整个这个词神色的险峻文、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，这个险峻文就变得更长一轮；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。

论文把这个征象转头为一句话：驱动 Agent 资本的，是输入 Token 的指数级增长，而非输出 Token。

发现二：归并个 Bug，跑两次，破钞能差一倍——况兼越贵的 Bug 越不通晓

更让东谈主头疼的是就地性。

谋划者让归并个 Agent 在归并个任务上跑了 4 次，适度发现：

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）

在归并模子、归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）

而要是跨模子对比归并个任务，最高消耗和最低消耗之间不错收支高达  30 倍

终末一个数字尤其值得原宥：这意味着，选对模子和选错模子之间的资本差距，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：

资本水平准确率趋势低资本准确率较低（可能插足不够）中等资本准确率常常最高高资本准确率不升反降，进入 " 充足区间 "。

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 多半时期花在了"访佛服务"上。

谋划发现，在高资本运行中，约  50% 的文献检察和文献修改操作是访佛的——也便是说，Agent 在反复读归并个文献、反复改归并溜代码，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"天差地别—— GPT-5 最省，有的模子多烧 150 万 Token

论文在业界尺度的  SWE-bench Verified（500 个确切 GitHub Issue）上，测试了 8 个前沿大模子的 Agent 领会。换算成好意思元，博亚(中国)Token 后果高的模子每个任务不错多花几十块的区别。放到企业级诓骗——一天跑几百个任务——差距便是真金白银。

更有料想的一个发现是：Token 后果是模子的"固有秉性"，而非任务使然。

谋划者把整个模子齐奏凯解决的任务（230 个）和整个模子齐失败的任务（100 个）别离拿出来相比，发现模子的相对名次险些莫得变化。

这讲明：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想的发现：模子枯竭"止损意志"。

在靠近整个模子齐无法解决的艰辛任务时，联想的 Agent 应该尽早毁掉，而不是不断烧钱。但试验是，模子辽远在失败任务上消耗了更多的 Token——它们不会"认输"，只会不断探索、重试、重读险峻文，像一台莫得油表警示灯的汽车，沿路开到抛锚。

发现四：东谈主类以为难的，Agent 不一定以为贵——难度感知统统错位

你可能会想：那至少我不错笔据任务的难易进度来预估资本吧？

论文找来东谈主类行家，对 500 个任务的难度进行评分，然后和 Agent 的实质 Token 消耗作念对比——

适度：两者之间只消弱估计。

用大口语说：东谈主类以为贵要害死的任务，Agent 可能草率处置不若何费钱；东谈主类以为小菜一碟的任务，Agent 可能烧到怀疑东谈主生。

这是因为东谈主和 AI "看到"的难度根蒂不是一趟事：

东谈主类看的是：逻辑复杂度、算法难度、业务融会门槛Agent 看的是：神色有多大、要读些许文献、探索旅途有多长、会不会反复修改归并个文献

一个东谈主类行家以为"改一溜就行"的 Bug，Agent 可能要先读懂整个这个词代码库的结构才气定位到那一溜——光是"读"就要烧掉多半 Token。而一个东谈主类以为"逻辑很绕"的算法问题，Agent 可能碰劲知谈尺度解法，三下五除二就处置了。

这就导致了一个难堪的试验：诱惑者险些不可能凭直观预估 Agent 的运行资本。

发现五：连模子我方齐算不准我方要花些许钱

既然东谈主算不准，那让 AI 我方来瞻望呢？

谋划者遐想了一个小巧的实验：让 Agent 在真确驱动修 Bug 之前，先" inspect "一下代码库，然后预估我方需要消耗些许 Token ——但子虚际践诺竖立。

适度若何？

整个模子，杜渐防萌。

最佳的收获是 Claude Sonnet-4.5 对输出 Token 的瞻望估计性——0.39（满分 1.0）。多数模子的瞻望估计性只消 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：整个模子齐系统性低估了我方的 Token 消耗。  Figure 11 的散点图中，险些所非凡据点齐落在"齐备瞻望线"的下方——模子以为我方"花不了那么多"，实质上花了更多。况兼这个低估偏差在不提供示例的情况下愈加严重。

更朝笑的是——瞻望本人也要费钱。

Claude Sonnet-3.7 和 Sonnet-4 的瞻望资本甚而高达任务本人资本的  2 倍以上。也便是说，让它们先"估个价"，比径直干活还贵。

论文的论断快嘴快舌：

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些许。

这笔"婉曲账"背后

藏着一个更大的行业问题

1. "按月订阅"的订价时势，正在被 Agent 撕开疏忽

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、可瞻望。但 Agent 任务统统迫害了这一假定——一个的任务可能因为 Agent 堕入轮回而烧掉巨量 Token。

这意味着，地谈的订阅制订价对 Agent 场景可能不可抓续，按量计费（Pay-as-you-go）在特殊永劫间内依然最试验的选项。但按量计费的问题在于——用量本人就不可瞻望。

2. Token 后果应该成为选模子的"第三运筹帷幄"

传统上，企业选模子看两个维度：才气（能不颖悟）和速率（干得快不快）。这篇论文给出了第三个同等首要的维度：能效（花些许才气干成）。

一个才气略逊但后果高 3 倍的模子，在限度化场景下可能比"最强但最费"的模子更有经济价值。

3. Agent 需要"油表"和"刹车"

论文提到一个值得原宥的畴前想法——Budget-aware tool-use policies（预算感知的用具使用战略）。浅薄说便是给 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。

现在，险些整个主流 Agent 框架齐枯竭这种机制。

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，而是整个这个词 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。

好音讯是，这是第一次有东谈主系统性地把这笔婉曲账翻出来算。有了这份数据，诱惑者不错更贤慧地选择模子、缔造预算、遐想止损机制；模子厂商也有了一个新的优化想法——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坐褥环境之前，每一分钱花得皎洁嫩白，比每一溜代码写得漂漂亮亮，更首要。

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。该谋划尚未经同业评审。

（本文首发于钛媒体 APP）博亚体育