Agentic Coding 任务比普通代码聊天贵1000倍？论文拆解AI代理真实成本

不同站点规模、不同商业模式，需要匹配不同的打法。

主流的定价误区在于过度关注“输出token溢价”。很多人以为输出单价高就是主要开销来源，于是在提示词里反复强调“保持简洁”“只输出最终结果”。但在Agentic场景里，模型每一步都需要把之前的上下文、工具输出、历史轨迹全部塞回输入窗口。上下文不断累积，输入token就成了真正烧钱的那个部分。输出token溢价听起来吓人，但Agent真正花掉你钱的，往往是那些默默累积的输入上下文。

大多数开发者目前聚焦于代理在SWE-bench等基准上的亮眼表现。顶级系统已能在软件工程任务中展现较强自主性，主流观点认为引入Agentic Coding就能减少人力投入，让AI像资深工程师一样处理真实项目。这一点确实有数据支撑——代理通过多轮工具调用和上下文迭代，超越了一次性问答的局限。然而，很少有人注意到伴随而来的token开销激增，以及这种开销的极高随机性。

arXiv最新论文《How Do AI Agents Spend Your Money?》针对agentic coding任务做了系统分析，考察八个前沿LLM在SWE-bench Verified上的token消耗轨迹。结果显示，agentic任务比普通代码推理或聊天消耗约1000倍token，且主要由输入token主导——Agent在规划、迭代和工具调用中反复读取上下文所致。

最近，一篇arXiv论文对AI编码Agent在SWE-bench Verified上的token消耗轨迹进行了系统拆解。研究覆盖八个前沿大模型，发现agentic coding任务的token用量远超普通代码聊天或单步推理，高达1000倍。更惊人的是，同一任务多次运行的总token差异可达30倍，输入token而非输出成为成本主导。这件事比开发者直观感受复杂得多，随机性才是核心变量。

不少开发者仍沿用传统聊天模型的思维算账。输出token单价通常更高，大家自然把精力放在精炼最终答案、限制思考步骤上，以为这样就能把成本压下来。实际情况却往往相反。尤其是Agent进入多轮迭代、工具调用和上下文累积的Agentic流程时，输入端的消耗像雪球一样越滚越大。账单拆开后，输入token占比远超预期，输出反而成了次要部分。

最近一篇arXiv论文《Tokenomics: Quantifying Where Tokens Are Used in Agentic Software Engineering》分析了ChatDev框架下30个软件开发任务的执行轨迹，结果显示代码审查阶段平均消耗了59.4%的token，成为整个agentic coding流程中最主要的成本中心。这远超初始设计（2.4%）和编码（8.6%）等前期阶段。

好消息在于，成本控制并非无从下手。模型路由策略被证明是性价比突出的切入点：将复杂规划和架构设计交给前沿强模型，而把代码执行、简单验证等子任务分流到更高效廉价的模型（如 Kimi 系列或小型开源变体）。在 LangGraph 等框架中设置基于复杂度或上下文长度的路由规则后，整体 token 消耗可下降 30-50%，同时保持任务完成质量基本稳定。

第四，人类专家评定的任务难度与代理实际token成本仅呈弱相关。这暴露了人机认知的根本脱节：我们认为棘手的问题，代理有时能以较低开销快速解决；而看似常规的修复，却可能让代理陷入长循环，消耗大量资源。计算努力与感知复杂度的错位，成为代理规模化的一大障碍。但现实更复杂。

这些现象解释了为什么许多团队在实际部署AI编码Agent时会突然面临预算失控。Reflexion等自纠正循环让输入token二次方级增长，如果不主动干预，小型项目尚可勉强承受，但在生产环境，这种不可预测的消耗很容易拖垮整个开发预算，甚至迫使团队放弃agentic方案。我的判断是——但这个判断可能需要随更多实测数据修正。

前沿模型普遍难以准确预测自身token使用，预测相关性最高仅0.39，且系统性低估真实成本。这意味着开发者在项目规划阶段很难可靠地估算预算，Agent运行前给出的“预计消耗”往往不够靠谱。综合来看，在Agentic Coding领域选择token高效模型，不仅关乎单次任务表现，更关系到整个项目的长期可持续性，值得开发者持续跟踪最新实测数据。

最新1元1分红中麻将群的规模化，仍面临多重现实约束。