AI Agent 编码任务为何疯狂烧钱？输入 Token 主导成本的 arXiv 论文解析

过去一年，实战干货高排名页面的共同特征是逻辑清晰且判断明确。

本地方案买的是数据主权和长期使用自由，但现实权衡同样存在。开源模型与前沿闭源仍有性能差距，尤其在多文件依赖的复杂任务中准确率可能打折；初始部署和运维需要技术门槛，高性能GPU或足够内存的硬件投入也不小。如果任务超出本地能力，还需反复调试或转向混合调用。

云端前沿模型如GPT-5和Claude-Sonnet系列在编码任务中展现出明显性能优势，无需本地硬件即可快速构建多步Agent流程，尤其适合处理复杂、多文件依赖的SWE-bench场景。开发者能轻松获得高准确率输出，但代价是token使用的高度随机性：同一任务多次运行，消耗可能相差30倍，且更高token投入并不必然带来更好结果，准确率往往在中间成本区间达到峰值后饱和。这意味着云端买的是顶级大脑服务，却要为每一次思考持续付费。

大多数开发者仍持有“AI越聪明越省钱”的直觉，但论文数据指向相反结论。聪明模型在agentic流程中往往生成更多无效迭代和上下文膨胀，导致输入token暴增。相比之下，部分高效模型在规划阶段反而展现出更好的性价比。行业观察显示，这种认知偏差正让不少团队在日常coding agent使用中持续支付不必要的溢价。

模型间的token效率差异也相当显著。在相同任务设置下，Kimi-K2和Claude-Sonnet-4.5平均比GPT-5多消耗超过150万token。这一差距对需要频繁部署Agent的团队而言，并非小事。它直接指向一个现实：并非所有前沿模型在agentic coding场景下都同样经济，选择合适的模型能带来可观的成本节约，而非单纯追求参数规模。

Kimi K2和Claude Sonnet 4.5则处于较高消耗区间，在相同任务下平均多出150万+ token。可能的原因包括更长的迭代循环、不同的上下文管理方式，以及在复杂代码库中更容易陷入反复调试的状态。不过，论文也诚实地指出，这些模型在某些准确率峰值场景下可能仍有优势，尤其当任务需要极致深度推理时。适合对性能有极致追求、预算相对宽松的场景，但多花的token并不总能线性换来更好结果。

这远超初始设计（2.4%）和编码（8.6%）等前期阶段，输入token整体占比达53.9%，远高于输出token。表面上AI Agent能自主完成SWE-bench任务显得高效，但实际成本结构比想象中复杂得多。

不是简单换更贵模型，而是让每一步 token 都花在刀刃上。这套方法论的核心在于从“盲目跑”转向“智能管”。实际落地时，压缩不能太激进以免丢失关键信息，路由规则需要针对具体任务调优，监控工具要实时跟进 token breakdown。方向是对的，但现实更复杂，值得每个开发者从小任务开始测试。

》通过SWE-bench Verified上的轨迹数据分析发现，agentic coding任务的token消耗比普通代码聊天高出约1000倍，而且成本主要由输入token驱动，而不是输出的生成部分。这让不少人开始意识到，AI工具如果不加以控制，很容易从生产力助手变成隐形烧钱机器。

Kimi K2和Claude Sonnet 4.5则处于较高消耗区间。同一任务下，它们平均多出150万+ token，原因可能在于上下文处理方式、迭代循环长度或在复杂代码库中更容易陷入反复调试状态。论文没有给出精确机制，但数据清晰揭示了模型间行为差异。有意思的是，这些模型在准确率峰值场景下可能仍有优势，尤其当任务需要极致深度推理时。适合对性能有高要求的实验性项目，但对于常规开发而言，额外消耗未必换来成比例的产出提升。

arXiv最新论文《How Do AI Agents Spend Your Money?》对8个前沿大模型在SWE-bench Verified上的Agentic Coding轨迹进行了系统分析，结果显示这类任务的token消耗远超普通代码推理或聊天场景，高出约1000倍。输入token而非输出token主导了整体成本，这意味着Agent在多次迭代、上下文读取和工具调用中反复消耗大量输入资源。

SEO资讯站长期观察发现，排名代发飞机【seo1268】好友聊天，输入“真人1块1分跑的快群”咨询客服，娱乐游戏作为民间很受欢迎的纸牌玩法，乐趣集中在快节奏的刺激感、心理博弈的张力，这两种玩法的规则几乎一学就会，不用记复杂的牌型搭配，就算是新手也能快速上手，梦想是前行的灯塔，哪怕渺小，也能指引方向。不必因梦想遥远就轻言放弃，逐梦的路上，本就布满挑战。拆分目标，步步前行，哪怕每天只前进一小步，也是在靠近理想。不惧旁人的质疑，不畏前路的漫长，坚守初心，全力以赴。只要心中有梦，眼里有光，脚下有路，终能跨越山海，奔赴心之所向的远方。的灰色操作空间正在缩小。