想象一下这个场景：什么股票配资平台安全
你让 AI Agent 帮你修一个代码 Bug。它打开项目，读了 20 个文件，改了改，跑了一下测试，没过，又改，又跑，还是没过……来回折腾了十几轮，终于——还是没修好。
你关掉电脑，松了口气。然后收到了 API 账单。
上面的数字可能让你倒吸一口凉气——AI Agent 自主修 Bug 在海外官方 API 下，单次未修复任务常烧掉百万以上 Token，费用可达几十至一百多美元。
2026 年 4 月，一篇由斯坦福、MIT、密歇根大学等联合发布的研究论文，第一次系统性地打开了 AI Agent 在代码任务中的“消费黑箱”——钱到底花在哪了、花得值不值、能不能提前预估，答案令人震惊。
发现一：Agent 写代码的烧钱速度，是普通 AI 对话的 1000 倍
大家可能觉得，让 AI 帮你写代码和让 AI 跟你聊代码，花的钱应该差不多吧？
论文给出对比显示：
Agentic 编码任务的 Token 消耗量，是普通代码问答和代码推理任务的 约 1000 倍。
差了整整三个数量级。
为什么会这样？论文指出了一个事实——钱不是花在“写代码”上，而是花在“读代码”上。
这里的“读”不是指人类读代码，而是 Agent 在工作过程中，需要不断地把整个项目的上下文、历史操作记录、报错信息、文件内容一股脑儿“喂”给模型。每多一轮对话，这个上下文就变得更长一轮；而模型是按 Token 数量计费的——你喂得越多，付得越多。
打个比方：这就像请了一个修理工，他每动一下扳手之前，都要你把整栋楼的图纸从头念一遍给他听——念图纸的钱，远比拧螺丝的钱贵得多。
论文把这个现象总结为一句话：驱动 Agent 成本的，是输入 Token 的指数级增长，而非输出 Token。
发现二：同一个 Bug，跑两次，花费能差一倍——而且越贵的 Bug 越不稳定
更让人头疼的是随机性。
研究者让同一个 Agent 在同一个任务上跑了 4 次，结果发现：
在不同任务之间，最贵的任务比最便宜的任务多烧约700 万个 Token（Figure 2a）同一模型、同一任务的多次运行中，最贵的一次大约是最便宜的一次的2 倍（Figure 2b）而如果跨模型对比同一个任务，最高消耗和最低消耗之间可以相差高达30 倍
最后一个数字尤其值得关注：这意味着，选对模型和选错模型之间的成本差距，不是“贵一点”，而是“贵出一个数量级”。
更扎心的是——花得多，不代表做得好。
论文发现了一个“倒 U 型”曲线：
成本水平准确率趋势低成本准确率较低（可能投入不够）中等成本准确率往往最高高成本准确率不升反降，进入\"饱和区间\"
为什么会这样？论文通过分析 Agent 的具体操作给出了答案——
高成本的运行中，Agent 大量时间花在了“重复劳动”上。
研究发现，在高成本运行中，约50% 的文件查看和文件修改操作是重复的——也就是说，Agent 在反复读同一个文件、反复改同一行代码，像一个人在房间里转圈，越转越晕，越晕越转。
钱没花在解决问题上，花在了“迷路”上。
发现三：模型之间“能效比”天差地别——GPT-5 最省，有的模型多烧 150 万 Token
论文在业界标准的SWE-bench Verified（500 个真实 GitHub Issue）上，测试了 8 个前沿大模型的 Agent 表现。换算成美元，Token效率高的模型每个任务可以多花几十块的区别。放到企业级应用——一天跑几百个任务——差距就是真金白银。
更有意思的一个发现是：Token 效率是模型的“固有性格”，而非任务使然。
研究者把所有模型都成功解决的任务（230 个）和所有模型都失败的任务（100 个）分别拿出来比较，发现模型的相对排名几乎没有变化。
这说明：有些模型天生就“话多”，跟任务难度关系不大。
还有一个令人深思的发现：模型缺乏“止损意识”。
在面对所有模型都无法解决的困难任务时，理想的 Agent 应该尽早放弃，而不是继续烧钱。但现实是，模型普遍在失败任务上消耗了更多的 Token——它们不会“认输”，只会继续探索、重试、重读上下文，像一台没有油表警示灯的汽车，一路开到抛锚。
发现四：人类觉得难的，Agent 不一定觉得贵——难度感知完全错位
你可能会想：那至少我可以根据任务的难易程度来预估成本吧？
论文找来人类专家，对 500 个任务的难度进行评分，然后和 Agent 的实际 Token 消耗做对比——
结果：两者之间只有弱相关。
用大白话说：人类觉得难得要死的任务，Agent 可能轻松搞定不怎么花钱；人类觉得小菜一碟的任务，Agent 可能烧到怀疑人生。
这是因为人和 AI “看到”的难度根本不是一回事：
人类看的是：逻辑复杂度、算法难度、业务理解门槛Agent 看的是：项目有多大、要读多少文件、探索路径有多长、会不会反复修改同一个文件
一个人类专家觉得“改一行就行”的 Bug，Agent 可能要先读懂整个代码库的结构才能定位到那一行——光是“读”就要烧掉大量 Token。而一个人类觉得“逻辑很绕”的算法问题，Agent 可能恰好知道标准解法，三下五除二就搞定了。
这就导致了一个尴尬的现实：开发者几乎不可能凭直觉预估 Agent 的运行成本。
发现五：连模型自己都算不准自己要花多少钱
既然人算不准，那让 AI 自己来预测呢？
研究者设计了一个精巧的实验：让 Agent 在真正开始修 Bug 之前，先“ inspect”一下代码库，然后预估自己需要消耗多少 Token——但不实际执行修复。
结果如何？
所有模型，全军覆没。
最好的成绩是 Claude Sonnet-4.5 对输出 Token 的预测相关性——0.39（满分 1.0）。多数模型的预测相关性只有 0.05 到 0.34 之间，Gemini-3-Pro 最低，仅为0.04——基本等于瞎猜。
更离谱的是：所有模型都系统性低估了自己的 Token 消耗。Figure 11 的散点图中，几乎所有数据点都落在“完美预测线”的下方——模型觉得自己“花不了那么多”，实际上花了更多。而且这个低估偏差在不提供示例的情况下更加严重。
更讽刺的是——预测本身也要花钱。
Claude Sonnet-3.7 和 Sonnet-4 的预测成本甚至高达任务本身成本的2 倍以上。也就是说，让它们先“估个价”，比直接干活还贵。
论文的结论直截了当：
现阶段，前沿模型无法准确预测自身的 Token 用量。点下“运行 Agent”，就像开盲盒——账单出来才知道花了多少。这笔“糊涂账”背后，藏着一个更大的行业问题
读到这，你可能会问：这些发现对企业意味着什么？
1. “按月订阅”的定价模式，正在被 Agent 撕开裂缝
论文指出，像 ChatGPT Plus 这样的订阅制之所以可行，是因为普通对话的 Token 消耗相对可控、可预测。但 Agent 任务完全打破了这一假设——一个的任务可能因为 Agent 陷入循环而烧掉巨量 Token。
这意味着，纯粹的订阅制定价对 Agent 场景可能不可持续，按量计费（Pay-as-you-go）在相当长时间内仍是最现实的选项。但按量计费的问题在于——用量本身就不可预测。
2. Token 效率应该成为选模型的“第三指标”
传统上，企业选模型看两个维度：能力（能不能干）和速度（干得快不快）。这篇论文给出了第三个同等重要的维度：能效（花多少才能干成）。
一个能力略逊但效率高 3 倍的模型，在规模化场景下可能比“最强但最费”的模型更有经济价值。
3. Agent 需要“油表”和“刹车”
论文提到一个值得关注的未来方向——Budget-aware tool-use policies（预算感知的工具使用策略）。简单说就是给 Agent 装一个\"油表\"：当 Token 消耗接近预算时，强制它停止无效探索，而不是一路烧到底。
目前，几乎所有主流 Agent 框架都缺乏这种机制。
Agent 的“烧钱问题”，不是 Bug，而是行业必经的阵痛
这篇论文揭示的并非某个模型的缺陷，而是整个 Agent 范式的结构性挑战——当 AI 从“一问一答”进化到“自主规划、多步执行、反复调试”，Token 消耗的不可预测性几乎是一种必然。
好消息是，这是第一次有人系统性地把这笔糊涂账翻出来算。有了这份数据，开发者可以更明智地选择模型、设置预算、设计止损机制；模型厂商也有了一个新的优化方向——不只是做得更强，还要做得更省。
毕竟，在 AI Agent 真正走入千行百业的生产环境之前，每一分钱花得明明白白，比每一行代码写得漂漂亮亮，更重要。（本文首发钛媒体APP，作者 | 硅谷Tech news，编辑 | 赵虹宇）
注：本文基于 2026 年 4 月 24 日发表于 arXiv 的预印本论文 *How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks*（Bai, Huang, Wang, Sun, Mihalcea, Brynjolfsson, Pentland, Pei）撰写。作者来自弗吉尼亚大学、斯坦福大学、MIT、密歇根大学等机构。该研究尚未经同行评审。
启富网提示：文章来自网络，不代表本站观点。
沪深京指数
热点资讯
