AI编码Agent的“通信税”：输入token如何主导你的账单

值得持续跟踪的是，那些在调整中保持流量稳定的站点，究竟做了哪些不同的事。

论文还揭示了token消耗的高度随机性。同一个任务，多次运行的总消耗可能相差高达30倍。更高消耗并不必然带来更高准确率，中等成本区间往往已接近峰值，继续增加投入的边际收益迅速递减。这意味着单纯追求“多思考”或更长输出，在预算上并不总是划算。

模型间的token效率差异同样不容忽视。在相同SWE-bench任务上，Kimi-K2和Claude-Sonnet-4.5平均比GPT-5多消耗150万以上token。这种差距即使在所有模型都能成功解决的简单子集上依然存在，说明它更多源于模型行为而非任务难度本身。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，这意味着凭经验估算开支很容易出错。

同一任务不同运行间消耗可相差30倍，更高token并不必然带来更高准确率，峰值往往出现在中间成本区间，继续投入反而饱和。这一点目前行业内仍有不同声音，但数据支持的方向清晰：agentic流程的开销远比想象中随机且昂贵。

大多数开发者目前看到的是代理带来的效率潜力。在SWE-bench这类真实软件工程基准上，顶级代理系统已展现出可观的解决率，许多人因此乐观地认为，部署agentic coding就能显著减少人力投入，将AI从辅助工具升级为独立的工作伙伴。但这一表面叙事往往忽略了背后经济层面的复杂性：token消耗的爆炸式增长并非线性可控。

有意思的是，模型效率差异和预测能力的不足并非孤立现象。论文数据显示，同一任务下不同模型的 token 消耗差距巨大，而人类感知与实际计算努力的脱节，进一步放大了预算管理的难度。这一点目前行业内仍有不同声音，但数据支持固定订阅在重度 Agent 使用场景下的经济模型已难持续。云厂商的 PTU 尝试虽带来一定容量保障，却也要求用户提前承诺资源，灵活性与成本之间需要持续权衡。

最近，一篇arXiv论文把开发者圈子里一个隐性成本痛点直接摆上台面：Agentic Coding任务的token消耗，竟然是普通代码聊天或单轮推理任务的约1000倍左右。这不是夸张描述，而是基于SWE-bench Verified基准对八款前沿大模型的轨迹实测得出的数据。论文清晰指出，主导成本的并非输出生成，而是海量的输入token。

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。

主流定价认知过度关注“输出token溢价”。很多人以为输出单价高就是主要开销来源，于是在提示中反复强调“保持简洁”“只输出结果”。但在Agentic场景里，每一步都需要把之前上下文、工具输出和历史全部塞回输入窗口。上下文不断累积，输入token就成了长期运行的真凶。输出token贵是表象，输入token主导才是Agent烧钱的本质。

人类专家评定的任务难度与实际token成本仅呈弱相关，这一发现暴露了人机认知的系统性脱节。我们感知的复杂任务，代理有时能以较低开销解决；而看似常规的问题却可能引发长循环，吞噬大量资源。这一点目前行业内仍有不同声音，却指向一个清晰方向：未来透明定价机制或许需引入预执行估算或结果导向的混合计费，而非纯token结算。值得持续跟踪，现在下结论为时尚早。

最近一篇arXiv论文把AI代理的成本黑箱拉到了台前。这项研究首次系统追踪了八个前沿大模型在SWE-bench Verified基准上的完整代理轨迹，聚焦编码任务中的token消耗模式。代理看似能处理多步复杂工作流，实际却让token用量呈现爆炸式增长。输入token而非输出，成为主导开销的主力，这与普通聊天或单次代码推理形成鲜明对比。

这个对比并非坏事，它恰好给后来者留出了观察和学习的空间。