哪款大模型在 Agentic Coding 中最省 token？8 大前沿模型对比

它需要帮助用户过滤噪音、理清逻辑，并提供有态度的判断参考。

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。

提示缓存是另一个立竿见影的手段。agent运行中反复发送的系统指令、工具定义或历史摘要，完全可以启用平台级缓存。Claude等模型的prompt caching能把这部分输入token价格降到原来的十分之一。实际操作时，把不变前缀设为缓存对象，每隔几轮用廉价模型生成简短总结替换全量历史，避免重复浪费。不少项目反馈，这一层优化单独就能贡献25-40%的节省。

提示缓存与上下文管理直接针对输入重复浪费。启用平台级 prompt caching 可将不变的系统指令、工具定义或历史摘要的输入价格降至原来的十分之一左右。结合定期用轻量模型生成简短状态摘要替换完整历史记录，避免每轮全量重传，能进一步将重复 token 开销控制在可接受范围。实际项目中这一策略单独贡献的节省常在 25-40%。

工具调用冗余也值得警惕。Agent 在探索阶段频繁读取文件、执行终端命令，每次都产生额外输入 token，单纯代码库探索就可能烧掉数万 token。社区实践显示，预先生成项目依赖图或地图，只在必要时调用具体工具；工具输出通过 summarization 仅返回关键片段而非完整日志；重复调用尝试本地缓存或脚本预处理。这些操作结合后，能将探索阶段的 token 消耗压缩到可控范围。

最近一篇arXiv论文将AI代理在编码任务中的token消耗模式系统性地摆上台面。研究分析了八个前沿大模型在SWE-bench Verified基准上的完整代理轨迹，首次实证揭示代理任务与普通代码推理或聊天任务之间的巨大差异。行业主流观点仍乐观看待代理对工作流的提升潜力，但论文显示，成本黑箱远比想象中顽固，AI代理看似在替人类省力，实际却在把隐性开支推向前台。

模型间效率差距同样惊人。在相同任务集上，Kimi-K2和Claude-Sonnet-4.5平均比GPT-5多消耗超过150万token。这种差异即使在所有模型都能成功解决的简单子集上依然存在，表明它源于模型行为模式而非任务内在难度。开发者若继续依赖统一的人类难度标签选型和预算，很容易出现资源错配。

arXiv上最新论文《How Do AI Agents Spend Your Money?》针对agentic coding任务进行了系统分析，考察了八个前沿LLM在SWE-bench Verified上的token消耗轨迹。研究发现，agentic任务消耗token比普通代码推理或聊天多出约1000倍，且主要是输入token主导成本，而非输出。

总体而言，AI编码Agent的迭代循环风险本质上是上下文膨胀与随机性的结合。Reflexion等自纠正机制放大了输入累积效应，却未必带来成比例的收益。开发者若不提前干预，token消耗的不可预测性很容易拖垮整个项目。如何在预算内让Agent“聪明停手”，仍是当前部署实践中一个值得持续关注的开放问题。

当然，成本趋势仍存在不确定性。如果上下文优化、提示缓存以及更高效模型得到普及，单任务开销有望得到更好控制；反之，多代理协作中的通信税若长期未解，规模化ROI的实现时间可能会延后。数据支持这个方向，但样本量和实际落地场景仍有局限，值得持续跟踪，现在下结论为时尚早。

论文还点出了一个容易被忽略的剪刀差：高token消耗并不对应高准确率。准确率往往在中间成本区间就已达峰值，继续烧钱反而收益递减。不同模型间效率差异也远超预期，Kimi-K2和Claude-Sonnet-4.5在相同SWE-bench任务上，平均比GPT-5多消耗150万以上token。人类专家对任务难度的判断，与实际token开销只有弱相关，这说明直觉在这里帮不上太大忙。

谁有1元1分红中麻将群的竞争格局，正在进入新一轮洗牌期。