AI Coding Agent 在 SWE-bench 上真实 Token 轨迹揭秘：钱到底花哪了？

当上下分红中麻将一元群热度上升时，快速跟进的站点往往能抢占先机。

开发者以为AI工具能高效省时，结果却容易变成隐形烧钱机器，尤其在SWE-bench类复杂流程中，预算失控的风险被严重低估。

行业里讨论AI Agent成本时，焦点往往落在模型API定价和输出token单价上。开发者普遍认为，只要控制生成长度或优化提示，就能有效压低开支。论坛和社区里也常见吐槽：Agent确实能处理真实GitHub issue级别的复杂编码，但单次运行费用像随机变量一样难以把控。这些认知有其合理之处，却普遍忽略了运行间巨大的stochastic variance，以及实证显示的高消耗未必带来更高准确率这一盲区。

行业里讨论AI Agent成本时，焦点通常落在模型API定价和输出token的单价上。开发者常以为只要优化提示长度或限制生成步数，就能把费用控住。论坛和社区里也反复出现类似吐槽：Agent确实能处理真实GitHub issue，但每次运行的开销像开了盲盒一样难以捉摸。这些看法有其道理，却遗漏了运行间剧烈波动的核心盲区，以及高token投入未必换来更高准确率的实证现象。

论文数据显示，agent任务的token消耗比常规代码聊天高出1000倍以上，而主导开销的并非模型生成的新代码或推理步骤，而是反复塞入历史上下文的输入token。随着交互轮次增加，OpenHands这类框架默认会将累积的代码库片段、失败尝试和工具输出全部回喂模型，上下文像滚雪球般膨胀。同一任务下，不同运行的总token差异可达30倍，凸显出执行路径的强随机性。

AI Coding Agent的token成本其实可控，关键在于从盲目跑转向智能管，让每一步token都花在刀刃上。值得持续跟踪的是，随着模型和框架迭代，这些优化空间是否会进一步扩大，现在下结论可能还为时尚早。

第三，不同模型的token效率差异显著。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。这反映出架构、提示处理和工具集成方式的本质区别。企业选择部署哪款模型，直接决定了实际运营成本的高低。数据支持这个方向，但样本量仍有限，值得持续跟踪。

arXiv 最新论文《How Do AI Agents Spend Your Money?》对八个前沿大模型在 SWE-bench Verified 数据集上的 Agentic Coding 轨迹进行了系统分析，结果显示 Agentic 任务的 token 消耗远超普通代码推理或聊天场景，高出约 1000 倍以上。更关键的是，成本主要由输入 token 主导，而非输出。

此外，前沿模型预测自身token消耗的能力仍较薄弱。论文数据显示，预测值与实际消耗的相关性最高仅0.39，且存在系统性低估。这让开发者在启动任务前难以准确预判开支，预算控制变得充满不确定性。短期内，这可能让中小团队对大规模部署Agentic Coding保持谨慎；长期来看，它或将推动行业向更token-efficient的架构演进，例如优化上下文管理或引入专用成本预测工具。但如果缓存与压缩技术未能快速突破，使用门槛或许会显著抬高。

论文进一步揭示，同一任务的不同运行之间，总token消耗的随机性极高，差异可达30倍之多。有趣的是，高token消耗并不必然带来更高准确率；相反，准确率往往在中位成本区间达到峰值，继续增加消耗后收益迅速饱和。这意味着盲目延长迭代轮次或允许Agent“多跑几遍”，未必是提升成功率的理性选择，反而可能直接放大预算风险。

最近，一篇arXiv论文系统剖析了八个前沿大模型在SWE-bench Verified上的agentic coding轨迹，结果显示人类专家评定的任务难度与实际token消耗之间仅呈弱相关（Kendall τ约0.32）。许多被标记为“简单”的任务却消耗了远超预期的token，而部分公认“困难”的任务在某些模型上反而运行得相对高效。这个发现暴露了人类认知与AI代理实际计算努力之间的显著gap。

在当前数据环境下，“上下分红中麻将一元群”_上下分红中麻将一元群CSDN技术社区所揭示的趋势或许只是冰山一角。未来几个月，行业格局是否会迎来新一轮洗牌，仍需观察更多实证案例。