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。它翻开样式，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……往来折腾了十几轮，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，单次未缔造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、密歇根大学等连合髻布的参论说文，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、能不成提前预估，谜底令东谈主战栗。
发现一：Agent 写代码的烧钱速率，是等闲 AI 对话的 1000 倍
全球可能以为，让 AI 帮你写代码和让 AI 跟你聊代码，花的钱应该差未几吧？
论文给出对比深刻：
Agentic 编码任务的 Token 耗尽量，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"不是指东谈主类读代码，而是 Agent 在责任进程中，需要握住地把所有这个词样式的险阻文、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，这个险阻文就变得更长一轮；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。
论文把这个风光纪念为一句话：驱动 Agent 资本的，是输入 Token 的指数级增长，而非输出 Token。
发现二：淹没个 Bug，跑两次，破耗能差一倍——而况越贵的 Bug 越不踏实
更让东谈主头疼的是立时性。
参议者让淹没个 Agent 在淹没个任务上跑了 4 次，限制发现：
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）
在淹没模子、淹没任务的屡次运行中，最贵的一次毛糙是最低廉的一次的 2 倍（Figure 2b）
而要是跨模子对比淹没个任务，最高耗尽和最低耗尽之间不错收支高达 30 倍
终末一个数字尤其值得照看：这意味着，选对模子和选错模子之间的资本差距，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（可能参加不够）中等资本准确率常常最高高资本准确率不升反降，进入 " 弥漫区间 "。
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 无数时辰花在了"访佛就业"上。
参议发现，在高资本运行中，约 50% 的文献稽查和文献修改操作是访佛的——也即是说，Agent 在反复读淹没个文献、反复改淹没滑代码，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"迥乎不同—— GPT-5 最省，有的模子多烧 150 万 Token
论文在业界设施的 SWE-bench Verified（500 个确切 GitHub Issue）上，测试了 8 个前沿大模子的 Agent 阐扬。换算成好意思元，尊龙凯时(中国)Token 后果高的模子每个任务不错多花几十块的区别。放到企业级掌握——一天跑几百个任务——差距即是真金白银。
更故情理的一个发现是：Token 后果是模子的"固有特性"，而非任务使然。
参议者把所有模子齐收效解决的任务（230 个）和所有模子齐失败的任务（100 个）分辨拿出来相比，发现模子的相对排行简直莫得变化。
这阐扬：有些模子天生就"话多"，跟任务难度相关不大。
还有一个令东谈主深想的发现：模子穷乏"止损强项"。
在靠近所有模子齐无法解决的贫瘠任务时，梦想的 Agent 应该尽早毁掉，而不是持续烧钱。但现实是，模子深广在失败任务上耗尽了更多的 Token——它们不会"认输"，只会持续探索、重试、重读险阻文，像一台莫得油表警示灯的汽车，一谈开到抛锚。
发现四：东谈主类以为难的，Agent 不一定以为贵——难度感知十足错位
你可能会想：那至少我不错把柄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 的推行 Token 耗尽作念对比——
限制：两者之间独一弱谈论。
用大口语说：东谈主类以为庄重要死的任务，Agent 可能迟滞处理不何如费钱；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、业务意会门槛Agent 看的是：样式有多大、要读若干文献、探索旅途有多长、会不会反复修改淹没个文献
一个东谈主类行家以为"改一滑就行"的 Bug，Agent 可能要先读懂所有这个词代码库的结构才能定位到那一滑——光是"读"就要烧掉无数 Token。而一个东谈主类以为"逻辑很绕"的算法问题，Agent 可能恰恰知谈设施解法，三下五除二就处理了。
这就导致了一个麻烦的现实：开辟者简直不可能凭直观预估 Agent 的运行资本。
发现五：连模子我方齐算不准我方要花若干钱
既然东谈主算不准，那让 AI 我方来掂量呢？
参议者遐想了一个小巧的实验：让 Agent 在确凿启动修 Bug 之前，先" inspect "一下代码库，然后预估我方需要耗尽若干 Token ——但虚假际践诺缔造。
限制怎么？
所有模子，削株掘根。
最佳的收货是 Claude Sonnet-4.5 对输出 Token 的掂量谈论性——0.39（满分 1.0）。多数模子的掂量谈论性独一 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：所有模子齐系统性低估了我方的 Token 耗尽。 Figure 11 的散点图中，简直所稀有据点齐落在"好意思满掂量线"的下方——模子以为我方"花不了那么多"，推行上花了更多。而况这个低估偏差在不提供示例的情况下愈加严重。
更讪笑的是——掂量自己也要费钱。
Claude Sonnet-3.7 和 Sonnet-4 的掂量资本以致高达任务自己资本的 2 倍以上。也即是说，让它们先"估个价"，比径直干活还贵。
论文的论断刀切斧砍：
现阶段，前沿模子无法准确掂量自身的 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"婉曲账"背后
藏着一个更大的行业问题
1. "按月订阅"的订价格局，正在被 Agent 撕开轻佻
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 耗尽相对可控、可掂量。但 Agent 任务十足冲破了这一假定——一个的任务可能因为 Agent 堕入轮回而烧掉巨量 Token。
这意味着，纯正的订阅制订价对 Agent 场景可能不可捏续，按量计费（Pay-as-you-go）在荒谬永劫辰内已经最现实的选项。但按量计费的问题在于——用量自己就不可掂量。
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：才智（能不颖慧）和速率（干得快不快）。这篇论文给出了第三个同等紧要的维度：能效（花若干才颖慧成）。
一个才智略逊但后果高 3 倍的模子，在范畴化场景下可能比"最强但最费"的模子更有经济价值。
3. Agent 需要"油表"和"刹车"
论文提到一个值得照看的将来所在——Budget-aware tool-use policies（预算感知的器具使用战略）。浅易说即是给 Agent 装一个 " 油表 "：当 Token 耗尽接近预算时，强制它住手无效探索，而不是一谈烧到底。
现在，简直所有主流 Agent 框架齐穷乏这种机制。
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，而是所有这个词 Agent 范式的结构性挑战——当 AI 从"一问一答"进化到"自主计较、多步践诺、反复调试"，Token 耗尽的不可掂量性简直是一种势必。
好音信是，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，开辟者不错更理智地聘任模子、成就预算、遐想止损机制；模子厂商也有了一个新的优化所在——不仅仅作念得更强，还要作念得更省。
毕竟，在 AI Agent 确凿走入千行百业的出产环境之前，每一分钱花得清雪白白，比每一滑代码写得漂漂亮亮，更紧要。
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。该参议尚未经同业评审。
（本文首发于钛媒体 APP）尊龙凯时
开云kaiyun中国官网入口