AG真人中国官网入口 AI写代码到底有多烧钱？

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。它大开风景，读了 20 个文献，改了改，跑了一下测试，没过，又改，又跑，如故没过……来往折腾了十几轮，终于——如故没修好。

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，单次未诞生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、密歇根大学等和谐发布的连络论文，第一次系统性地大开了 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，谜底令东谈主战抖。

发现一：Agent 写代码的烧钱速率，是平凡 AI 对话的 1000 倍

天下可能以为，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 奢靡量，是平凡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 在职责流程中，需要不停地把悉数风景的凹凸文、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，这个凹凸文就变得更长一轮；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。

论文把这个局势回顾为一句话：驱动 Agent 本钱的，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，破耗能差一倍——况兼越贵的 Bug 越不富厚

更让东谈主头疼的是当场性。

连络者让归并个 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，最贵的一次大要是最低廉的一次的  2 倍（Figure 2b）

而如若跨模子对比归并个任务，最高奢靡和最低奢靡之间不错出入高达  30 倍

终末一个数字尤其值得关心：这意味着，选对模子和选错模子之间的本钱差距，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：

本钱水平准确率趋势低本钱准确率较低（可能参加不够）中等本钱准确率不绝最高高本钱准确率不升反降，进入 " 弥散区间 "。

为什么会这么？论文通过分析 Agent 的具体操作给出了谜底——

高本钱的运行中，Agent 大量本领花在了"重迭就业"上。

连络发现，在高本钱运行中，约  50% 的文献检察和文献修改操作是重迭的——也即是说，Agent 在反复读归并个文献、反复改归并转代码，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"天差地远—— 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 个确切 GitHub Issue）上，测试了 8 个前沿大模子的 Agent 表示。换算成好意思元，AG真人Token 效果高的模子每个任务不错多花几十块的区别。放到企业级诈欺——一天跑几百个任务——差距即是真金白银。

更有兴致的一个发现是：Token 效果是模子的"固有特性"，而非任务使然。

连络者把悉数模子齐见效解决的任务（230 个）和悉数模子齐失败的任务（100 个）永别拿出来比拟，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"，跟任务难度关系不大。

还有一个令东谈主深想的发现：模子综合"止损清醒"。

在濒临悉数模子齐无法解决的艰辛任务时，理想的 Agent 应该尽早捣毁，而不是络续烧钱。但施行是，模子宽敞在失败任务上奢靡了更多的 Token——它们不会"认输"，只会络续探索、重试、重读凹凸文，像一台莫得油表警示灯的汽车，悉数开到抛锚。

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：那至少我不错把柄任务的难易进程来预估本钱吧？

论文找来东谈主类大家，对 500 个任务的难度进行评分，然后和 Agent 的内容 Token 奢靡作念对比——

适度：两者之间只消弱相干。

用大口语说：东谈主类以为负责要死的任务，Agent 可能浮松管制不何如费钱；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、业务聚拢门槛Agent 看的是：风景有多大、要读几许文献、探索旅途有多长、会不会反复修改归并个文献

一个东谈主类大家以为"改一转就行"的 Bug，Agent 可能要先读懂悉数代码库的结构能力定位到那一转——光是"读"就要烧掉大量 Token。而一个东谈主类以为"逻辑很绕"的算法问题，Agent 可能正好知谈圭臬解法，三下五除二就管制了。

这就导致了一个无语的施行：拓荒者险些不可能凭直观预估 Agent 的运行本钱。

发现五：连模子我方齐算不准我方要花几许钱

既然东谈主算不准，那让 AI 我方来测度呢？

连络者遐想了一个小巧的实验：让 Agent 在委果运行修 Bug 之前，先" inspect "一下代码库，然后预估我方需要奢靡几许 Token ——但作假际实施诞生。

适度怎么？

悉数模子，防患未然。

最佳的收获是 Claude Sonnet-4.5 对输出 Token 的测度相干性——0.39（满分 1.0）。多数模子的测度相干性只消 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：悉数模子齐系统性低估了我方的 Token 奢靡。  Figure 11 的散点图中，险些所少见据点齐落在"竣工测度线"的下方——模子以为我方"花不了那么多"，内容上花了更多。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——测度自己也要费钱。

Claude Sonnet-3.7 和 Sonnet-4 的测度本钱以致高达任务自己本钱的  2 倍以上。也即是说，让它们先"估个价"，比径直干活还贵。

论文的论断快言快语：

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

这笔"混沌账"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 撕开轻佻

论文指出，像 ChatGPT Plus 这么的订阅制之是以可行，是因为平凡对话的 Token 奢靡相对可控、可测度。但 Agent 任务统统突破了这一假定——一个的任务可能因为 Agent 堕入轮回而烧掉巨量 Token。

这意味着，贞洁的订阅制订价对 Agent 场景可能不可执续，按量计费（Pay-as-you-go）在相配长本领内也曾最施行的选项。但按量计费的问题在于——用量自己就不可测度。

2. Token 效果应该成为选模子的"第三计较"

传统上，企业选模子看两个维度：才略（能不颖慧）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（花几许能力干成）。

一个才略略逊但效果高 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"

论文提到一个值得关心的昔时标的——Budget-aware tool-use policies（预算感知的器具使用战术）。通俗说即是给 Agent 装一个 " 油表 "：当 Token 奢靡接近预算时，强制它住手无效探索，而不是悉数烧到底。

当今，险些悉数主流 Agent 框架齐综合这种机制。

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谬误，而是悉数 Agent 范式的结构性挑战——当 AI 从"一问一答"进化到"自主规画、多步实施、反复调试"，Token 奢靡的不可测度性险些是一种势必。

好音书是，这是第一次有东谈主系统性地把这笔混沌账翻出来算。有了这份数据，拓荒者不错更聪慧地选拔模子、建树预算、遐想止损机制；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 委果走入千行百业的坐蓐环境之前，每一分钱花得清纯洁白，比每一转代码写得漂漂亮亮，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。该连络尚未经同业评审。

（本文首发于钛媒体 APP）AG真人中国官网入口