开发者必读：AI Coding Agent 的隐藏成本与避坑指南

一个共识正在悄然形成：可持续性比一时亮眼更重要。

论文的核心发现之一是代理任务的高度随机性。同一任务不同运行之间，总token消耗差异可达30倍。这意味着开发者今天可能只花几万token完成，明天重跑却面临百万级消耗。更有意思的是，准确率并不随token投入线性提升，往往在中间成本区间达到峰值，继续增加投入反而收益边际递减。许多团队只看到代理“能干活”的潜力，却低估了每次迭代都在悄然积累的通信开销。

深层观察显示，agentic任务的高耗主要源于反复读取上下文、工具调用和迭代修正形成的“通信税”。高token用量并不必然对应更高准确率——研究指出准确率常在中间成本区间达到峰值，继续投入反而出现饱和。模型间效率差距显著，而人类专家对任务难度的主观判断与实际token成本仅呈弱相关。这说明凭经验预估的复杂度，与Agent真实计算开销之间存在明显鸿沟。

论文数据揭示了软件开发生命周期各阶段 token 分布的显著不均衡。代码审查阶段不仅占比最高，其输入 token 比例达 51.4%，远高于输出，Agent 需要反复注入已有代码库和历史上下文才能产出分析反馈。这与编码阶段形成对比，后者输出 token 占比更高，因为主要任务是生成新代码。整体来看，后期精炼验证过程才是 token 消耗的真正驱动因素。

论文的核心发现指向一个反直觉的结构：agentic任务的token消耗大约是普通代码推理或聊天的1000倍左右，而且主导成本的几乎全是输入token而非输出。Agent在执行多轮工作流时，需要不断把累积的上下文喂给模型，这直接推高了账单。就像开车时每前进一小步，都要把整部车的行驶历史全塞进导航系统，只为决定下一步动作——这种机制让输入端迅速成为主要开支。

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。

八个前沿模型在 SWE-bench Verified 上的表现进一步凸显效率鸿沟，某些模型比基准多耗百万级 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。

这一点特别值得开发者警惕：单纯追求峰值准确率可能导致不必要的支出。多花的 token 不一定换来更好结果，尤其当模型进入高成本饱和区时，边际收益接近于零。Kimi K2 和 Claude Sonnet 4.5 在某些需要极致深度推理的场景下或许仍有优势，适合预算宽松、对性能有极致要求的实验性项目。但对于常规 Agentic Coding 流程，过度消耗往往只是拉高了账单，却未能显著提升最终产出。

论文核心数据显示，同一任务不同运行的token消耗可相差高达30倍，输入token而非输出token才是主导成本的因素。准确率通常在中等成本区间达到峰值，继续增加消耗反而出现饱和。这说明AI Agent的“努力”更多体现在反复吞吐上下文、调用工具和试错循环上，而不是像人类那样通过深化“脑力”攻克逻辑深度。

你是不是也遇到过这样的情况：用AI Coding Agent跑一个SWE-bench任务，本以为几块钱就能搞定，结果账单跳出来，上百万token消耗，成本轻松破百元。任务越复杂，token用量就越不可控，跑几次下来，小团队的预算直接心疼。

防控的核心不是取消迭代，而是让Agent在预算内聪明停手。提前设置硬性token或成本上限、在每轮API调用前检查并终止，已被证明能显著降低风险；结合早停机制监控准确率改善幅度，以及上下文总结压缩历史、选择token高效模型，则能在保持或提升准确率的同时，将总体消耗控制在可控范围。值得持续跟踪，现在下结论为时尚早，但主动设限显然比被动买单更现实。

它与团队成熟度、业务节奏以及风险偏好紧密交织。