输出 token 溢价 vs 输入主导：AI Agent 定价模型的误区

它更像一场需要持续学习、数据支持、专业判断和经验积累的动态过程。

当然，优化不是一劳永逸。Agent架构仍在快速迭代，未来上下文压缩技术和原生长上下文支持可能进一步改变成本结构。但在当前阶段，把注意力从“输出溢价”转向“输入主导”，已是大多数团队能立刻调整预算逻辑、避免项目超支的务实一步。值得持续跟踪的是，随着Agent规模化部署，这一输入主导的经济学规律会如何影响整个LLM生态的定价模型。

最近arXiv上那篇《How Do AI Agents Spend Your Money?》把agentic coding的真实成本摊在了台面上。agentic任务的token消耗能达到普通代码聊天或单轮推理的1000倍左右，而且主导支出的不是模型吐出的代码，而是不断膨胀的输入上下文。同一任务不同运行间，用量波动可达30倍，这让预算控制变得格外棘手。

这一点目前行业内仍有不同声音。数据支持随机性是主要驱动，但样本量和框架差异可能影响泛化程度。值得持续跟踪，现在下结论为时尚早。

当然，GPT-5 并非在所有维度都领先。在某些需要极致深度推理的复杂场景下，它的准确率可能存在一定局限，团队仍需根据具体任务特性进行权衡。但对于预算敏感或追求稳定部署的开发者而言，这类 token 高效模型提供了更务实的平衡点。省 token，本质上就是在控制真实开发成本，而非简单牺牲性能。

另一个反直觉发现是准确率与token消耗的关系。高消耗并不必然对应高准确率。数据表明，准确率常在中间成本区间达到峰值，继续堆token后表现趋于饱和甚至浪费。Agent可能陷入冗长循环，重复无效路径，却没带来实质进步。这就像人类专家对任务难度的主观感知，与Agent实际计算努力存在脱节——看似棘手的bug有时只需少量token解决，而简单问题却因路径随机耗费巨量资源。人类评分与真实token成本的相关性微弱，进一步印证了这种差距。

最近一篇arXiv论文把AI代理在编码任务中的token消耗模式摆到了台面上。这项研究分析了八个前沿大模型在SWE-bench Verified基准上的完整代理轨迹，首次系统性揭示了代理经济的核心矛盾：表面上看，AI代理能处理多步复杂工作流，提升效率，但实际token开销远超普通代码推理或聊天场景，输入token成为主导成本。行业内许多人仍乐观认为代理会自然带来高价值产出，却往往忽略了这个隐性黑箱。

arXiv最新论文“How Do AI Agents Spend Your Money?”给出了系统实证数据。研究分析了八个前沿LLM在SWE-bench Verified上的完整轨迹，结果显示Agentic编码任务的token消耗是普通代码推理或聊天任务的1000倍左右，而主导成本的正是输入token，而非输出token。即使启用token缓存，这一规律依然成立。

模型路由是性价比最高的一招。不是所有步骤都需要最贵的顶级模型。复杂规划用Claude或GPT系列确保方向正确，子任务执行、简单代码生成就切换到Kimi或小型高效模型。在LangGraph里设置路由规则，根据复杂度或上下文长度自动分流，一个修复GitHub issue的agent就能把整体成本降30-50%。

不同模型间效率差异显著，例如Kimi-K2和Claude-Sonnet-4.5在相同任务上平均比GPT-5多消耗超过150万token。这件事比表面看起来复杂得多：2026年企业级规模化部署的真实TCO远不止token费用本身。

大多数媒体和开发者目前对AI Agent的关注仍集中在效率提升上。SWE-bench等基准显示agentic系统在软件工程任务中表现亮眼，行业普遍热议其潜在万亿级价值。主流观点倾向于认为，随着模型迭代进步，token成本会逐步可控甚至快速下降。不少团队在试点阶段感受到产出加速，便默认预算风险可管理。

从多个报告的交叉验证看，失误分析正处于关键拐点。但这个拐点究竟是加速上升还是温和调整，目前行业内仍有不同声音。