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

单一页面优化已难以满足复杂搜索意图。

论文核心数据显示，同一任务不同运行的token消耗可相差高达30倍，输入token而非输出token才是主导成本的因素。准确率通常在中等成本区间达到峰值，继续增加消耗反而出现饱和。这说明AI Agent的“努力”更多体现在反复吞吐上下文、调用工具和试错循环上，而不是像人类那样通过深化“脑力”攻克逻辑深度。

这些策略的共同逻辑，是把token从“盲目循环”转向“精准投放”。不是简单换更强模型，而是让每一步消耗都服务于真正有价值的决策。实际落地中，监控token breakdown、从小任务开始迭代路由和压缩规则，仍是避免隐形浪费的关键。值得持续跟踪的是，随着模型预测能力的迭代，未来是否会出现更智能的自动成本控制器，现在下结论还为时尚早。

模型间的token效率差异进一步放大了这一问题。在相同SWE-bench类任务上，某些前沿模型的平均消耗明显高于效率更高的选项，输入token占比常超过50%。人类专家评定的任务难度与实际token成本相关性微弱，模型自身对消耗的预测相关性也仅在0.4左右且系统性低估。这一点目前行业内仍有不同声音，但实测数据已足够提醒我们，盲目依赖迭代循环容易让预算在不可预测的随机性中蒸发。

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。

我的判断是，如果项目涉及公司核心代码或数据隐私要求严格，且AI Agent属于日常高频工具，优先本地开源方案更划算——长期看省下的token费用和安心感价值更高。当然，这取决于具体硬件条件和团队储备，值得持续跟踪，现在下结论为时尚早。数据支持这个方向，但样本量和实际场景仍有局限。

另一个关键观察是不同模型的token效率差异巨大。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。这反映出模型架构、工具交互机制以及上下文处理方式的本质区别。选择哪款模型部署代理系统，会直接拉开企业实际支出的差距，我的判断是——但这个判断可能需要随后续基准更新而修正。

本地部署的开源Agent则几乎实现了零token消耗，主要成本集中在电费和硬件折旧上。利用Ollama等工具在本地网络运行，数据完全不出域，内网延迟更低，特别适合高频迭代的日常编码工作。一些团队实测显示，常规任务迁移到本地后，月度电费可控制在百元级别，与云端重度使用时的数万消耗形成鲜明对比，长期来看节省显著。

》通过SWE-bench Verified上的轨迹数据分析发现，agentic coding任务的token消耗比普通代码聊天高出约1000倍，而且成本主要由输入token驱动，而不是输出的生成部分。这让不少人开始意识到，AI工具如果不加以控制，很容易从生产力助手变成隐形烧钱机器。

高消耗并不等于高准确率，准确率往往在中间成本水平就达到峰值，继续增加token反而收益递减。不同模型的效率差距也巨大，某些高效模型在相同任务上比前沿模型少耗上百万token。人类专家评估的任务难度，跟实际token成本只有弱相关，而模型自身预测消耗的相关系数最高仅0.39，还系统性低估真实用量。

上下文优化同样关键。定期引入总结模块压缩历史轨迹，只保留核心决策和最新状态，而非全量塞入；同时优先选用token效率更高的模型，并结合缓存机制减少重复工具输出的处理。实测显示，这些措施结合后，整体token消耗可下降70-90%，而任务准确率往往能持平甚至略有提升。本质上，不是让Agent无限反思，而是让它在预算约束内聪明地停手——这一点目前行业内仍有不同声音，但数据支持的方向值得持续跟踪。

区别在于，部分团队选择了更务实的切入点，从而避免了最常见的陷阱。