多代理协作中的Token浪费：从通信开销到优化路径

增强抗干扰的搜索行为呈现出明显的结构化需求。

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。

GPT-5在相同Agentic Coding任务中展现出显著的token效率优势。论文指出，它平均比Kimi K2和Claude Sonnet 4.5少消耗150万以上的token，这一差距在所有模型共同解决的子集上依然稳健存在。GPT-5的上下文处理和迭代策略似乎更注重精炼，避免了不必要的冗长循环，从而在预算敏感场景下提供了实打实的经济性。但有意思的是，在极度复杂的多文件重构任务中，其准确率有时会显露局限，团队仍需结合具体需求权衡。

前沿模型普遍无法准确预测自身token使用，预测相关性最高仅0.39，且系统性低估真实成本。这让预算规划变得困难，开发者在启动Agent前很难获得可靠的成本预期。结合输入token主导的特性，如何在模型选择和提示工程上进一步优化Agent轨迹，目前行业内仍有不同声音，值得开发者在实际项目中持续跟踪验证。

除了模型间效率差异，研究还发现人为评定的任务难度与实际token消耗仅呈弱相关。这说明人类直觉判断的“复杂Bug”，在Agent执行时所消耗的计算努力可能完全不同。有些看似简单的修复，却会意外烧掉巨量token，而一些被认为棘手的任务反而消耗相对可控。这种认知鸿沟，进一步放大了Agentic Coding在成本控制上的不确定性。

行业里讨论AI Agent成本时，目光常落在模型单价和输出token上。很多人认为只要控制生成长度，就能有效省钱。论坛和开发者社区也反复提到，Agent虽能处理真实GitHub issue级复杂编码，但单次运行费用难以预估，预算像失控一样波动。这些观察有道理，却忽略了运行间巨大的随机波动，以及“多花token未必带来更好准确率”的实证盲区。

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。

模型间效率差异同样突出。在相同 SWE-bench 任务上，Kimi-K2 和 Claude-Sonnet-4.5 平均比 GPT-5 多消耗超过 150 万 token。这不是微小差距，对于需要频繁运行 Agent 的团队而言，选择合适模型能直接节省可观费用。论文对比八个前沿模型，清晰揭示并非所有“大模型”在 agentic coding 场景下都具备同等经济性。

论文进一步指出，token使用具有高度随机性。同一个任务，多次运行的总token消耗可能相差高达30倍。而且更高的token消耗并不一定带来更高的准确率，准确率往往在中等成本时达到峰值，继续烧钱反而边际收益递减。这意味着单纯追求“多思考”不一定划算。

论文重点拆解了agentic tasks的内在机制。这类任务依赖多步工具调用、上下文持续累积，与简单问答截然不同。在SWE-bench这类真实软件工程场景中，Agent会反复读取代码、调用工具、生成补丁并验证测试，每一步都会将先前上下文带入下一轮，导致输入token迅速膨胀。即使引入缓存机制，累积效应依然显著。输出token虽有影响，但整体成本主要由输入驱动，这与传统推理任务的成本结构形成鲜明对比。

前沿模型普遍无法准确预测自身 token 使用，预测相关性最高仅为 0.39，且系统性低估真实成本。 这意味着开发者在任务启动前难以可靠规划支出，Agent 给出的“预计消耗”往往偏乐观。综合来看，在 Agentic Coding 中选择模型时，不能只盯准确率指标，更需把 token 效率作为核心决策维度。

数据支持这个方向，但样本量和时间跨度仍有提升空间。