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

哪里有一块1分跑的快群的价值，最终还是要回到业务结果上来。任何脱离这个锚点的讨论，都容易变成空谈。

无限循环迭代是常见浪费陷阱之一。Agent 反复尝试相似修复方案，每次都重新加载大量历史上下文，导致输入 token 线性累积。论文轨迹数据显示，这种循环在代码审查和验证阶段占比突出。实操中可在框架内设置单任务 token 预算上限，接近阈值时强制中断并保存检查点，下次从中间状态继续；小规模任务优先选用 GPT-5 类高效模型，大型任务则先用轻量模型规划再切换主力，避免从头烧钱。

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。

值得持续跟踪的是，随着 agentic 应用深化，如何在压缩激进程度与信息保真度之间找到平衡，仍是行业内存在不同声音的领域。

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。

云端前沿模型如GPT-5、Claude-Sonnet系列在SWE-bench Verified等基准上的表现仍具明显优势。它们无需额外硬件，API调用即开即用，能快速构建复杂多步Agent流程，在高难度编码场景中准确率更高。论文同时指出，不同模型间token效率差异显著，有些模型在相同任务上比GPT-5多消耗超过150万token。这说明云端买到的确实是当前最强的大脑，但每一次思考迭代都伴随着持续的付费。

最近，一篇arXiv论文首次系统拆解了AI Coding Agent在SWE-bench Verified上的token消耗轨迹。研究团队借助OpenHands框架，追踪了八大前沿LLM在500个真实GitHub issue上的完整执行路径，揭示出agentic任务的token开销远超普通代码推理或聊天场景。输入token而非输出，成为成本主导因素。这比单纯“模型越强越贵”的直觉复杂得多。

模型间的token效率差异同样惊人。在相同任务上，Kimi-K2和Claude-Sonnet-4.5平均比GPT-5多消耗超过150万token。这不是小差异，尤其在按token计费的实际场景中。更耐人寻味的是，人类专家主观评定的任务难度与实际token消耗仅呈弱相关。开发者眼中“简单”的bug修复，可能因代理的探索路径冗长而烧掉巨量token；反之，一些看似棘手的任务却能相对高效收敛。

长期而言，企业级部署下的 TCO 将成为决定性因素。token 费用可能仅占整体成本的 15-20%，剩余部分来自监控编排、安全防护以及人工 oversight 等环节。若多代理协作中的通信税问题未能有效缓解，规模化 ROI 的实现周期或将延后。当然，如果上下文压缩、提示缓存以及更高效模型得到广泛应用，成本曲线仍有下行空间。这一点目前行业内仍有不同声音，值得持续跟踪，现在下结论为时尚早。

然而，盲区明摆着的。很少有人注意到背后token成本的爆炸式增长及其随机性。论文数据显示，同一任务不同运行间，总token消耗差异可达30倍，这意味着一次实验可能只需几万token，重跑却轻易烧掉上百万。 更关键的是，准确率并不随token投入线性提升，往往在中间成本区间达到峰值，继续增加投入后边际收益迅速递减。

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、工具输出和历史轨迹全部塞回输入窗口。上下文不断累积，输入token就成了真正驱动长期成本的因素。输出token贵是表象，输入token才是Agent烧钱的真凶。

短期看效果不明显，但拉长周期后，哪里有一块1分跑的快群带来的复利会逐步释放。