AI Agent 编码任务为何疯狂烧钱？输入 Token 主导成本的 arXiv 论文解析

一个共识逐渐浮现：真正长期有效的，往往是那些看起来最“笨”的方法。

模型间效率差异同样显著，Kimi-K2和Claude-Sonnet-4.5在相同任务上平均比GPT-5多消耗超过150万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。

但论文揭示的盲区值得重视。同一任务不同运行的token消耗差异可高达30倍，这种随机性远超线性预期；输入token在整体开销中占据主导，这与简单聊天任务形成鲜明对比；此外，前沿模型预测自身消耗的能力较弱，相关性最高仅0.39，且存在系统性低估。这让预算规划变得格外棘手，如果仅依赖公开基准，实际落地时的开销很容易被低估。

人类专家对任务难度的主观判断，与实际 token 成本之间仅呈现弱相关。开发者眼中棘手的复杂 bug，在 Agent 执行时有时消耗有限；而一些看似简单的修复，却因反复审查和上下文维护而大幅推高开支。这种感知脱节，进一步增加了对 agentic software engineering 进行 tokenomics 管理的复杂性。

论文的核心发现之一在于，Agent 任务的 token 使用呈现极强随机性。同一任务、同模型下，不同运行的总消耗差异可达 30 倍，且高 token 量并不必然带来更高准确率。准确率往往在中间成本区间达到峰值，继续注入更多 token 后反而出现饱和甚至边际递减。

这一点目前行业内仍有不同声音。数据清晰指向输入上下文膨胀和轨迹随机性是主要成本驱动，但样本规模和框架选择是否会影响结论，仍值得持续跟踪。现在下结论为时尚早，但开发者若想控制Agent开支，显然不能只盯着最终解决率，而需把token轨迹本身纳入核心监控指标。

论文的核心发现直指这一盲区。同一任务不同运行轨迹的token消耗可相差高达30倍，输入token而非输出token才是成本主导因素。准确率往往在中等token区间达到峰值，继续增加消耗反而出现饱和甚至无明显提升。模型间差距同样惊人，Kimi-K2和Claude-Sonnet-4.5在相同任务上平均比GPT-5多耗超过150万token。

arXiv上的实证研究指出，agentic coding任务的token消耗远高于普通代码聊天或推理场景，主要驱动因素是输入token而非输出。Reflexion loop和self-correction cycles让上下文每轮都塞入累积的历史，每一次API调用都在为之前的“记忆”买单。这种累积效应呈现出二次方级的增长趋势，同一任务不同运行的token使用量可相差数倍甚至更高。

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。

另一个值得注意的现象是，人类专家对任务难度的主观判断与实际token消耗之间仅呈现弱相关。开发者认为简单的bug修复，Agent有时会消耗大量token反复试错；反之，一些看似复杂的场景却可能较快收敛。这暴露了人类感知复杂度与计算实际开销之间的系统性脱节，为任务拆解和预算预估增加了额外不确定性。数据支持这个观察，但样本覆盖的模型和任务仍有限，值得持续跟踪。

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。

当你把注意力转向用户真实路径，排名代发飞机【seo1268】好友聊天，输入“怎么找1元1分红中麻将群”咨询客服，娱乐游戏作为民间很受欢迎的纸牌玩法，乐趣集中在快节奏的刺激感、心理博弈的张力，这两种玩法的规则几乎一学就会，不用记复杂的牌型搭配，就算是新手也能快速上手，梦想是前行的灯塔，哪怕渺小，也能指引方向。不必因梦想遥远就轻言放弃，逐梦的路上，本就布满挑战。拆分目标，步步前行，哪怕每天只前进一小步，也是在靠近理想。不惧旁人的质疑，不畏前路的漫长，坚守初心，全力以赴。只要心中有梦，眼里有光，脚下有路，终能跨越山海，奔赴心之所向的远方。的逻辑就会更清晰。