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

这也对SEO从业者的写作模式提出了新的调整要求。

这一human-AI gap对agent deployment的启示值得持续跟踪。如果模型自我预测token消耗的能力（当前相关性最高仅0.39且系统性低估）没有显著提升，固定费率订阅模式或将在规模化场景下难以为继；反之，行业转向预算感知型Agent设计和token预测工具，或许能让成本控制从凭经验转向数据驱动。有意思的是，目前分析主要集中在coding任务，跨领域agentic workflow的表现是否一致，仍需更多实证。

这些成本结构特征对Agent的规模化部署构成了现实挑战。短期内，开发者容易在试点阶段就遭遇预算超支，原本设定的ROI计算因随机性和输入主导特性变得难以捉摸。长期看，它可能会加速上下文压缩、模型路由等优化技术的落地，同时倒逼定价模式从单纯token计费转向更匹配Agent工作流的方案。不过，如果预测和上下文管理技术没有实质突破，大规模应用的经济门槛仍会把部分中小企业挡在门外。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。

模型之间的效率差异也非常显著。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。人类专家对任务难度的主观判断，与实际token成本只有弱相关。这说明我们凭经验预估Agent会花多少钱，常常偏差很大。

纠正确认这个误区后，预算不再是猜谜游戏，而是转向可控的输入优化工程。优先在输入端发力，比如提示精炼、启用prompt caching，以及精细控制RAG检索，这些手段能显著降低边际消耗，而模型选择和轨迹监控则帮助避开效率低下的选项。

最近，一篇arXiv论文系统剖析了八个前沿LLM在SWE-bench上的agentic coding轨迹，揭示出人类专家评定的任务复杂度与实际token消耗之间仅呈现弱相关，Kendall τ系数约为0.32。许多被标注为“简单”的编码任务却意外消耗大量token，而部分公认复杂的修复反而在某些模型上跑得相对高效。这一发现直接暴露了human-AI gap：我们评估的是认知负荷，AI Agent面对的却是上下文吞吐和试错路径的随机性。

最近，一篇arXiv论文把AI Coding Agent在复杂软件工程任务中的token消耗轨迹拉到聚光灯下。研究团队借助OpenHands框架，在SWE-bench Verified数据集上追踪了八大前沿LLM的完整执行路径，首次系统拆解了“钱到底花哪了”这个现实问题。Agent任务的token消耗远超普通代码推理或聊天场景，输入部分成为主导成本，这远比简单看解决率复杂。

不同前沿模型在相同 agentic coding 任务上的效率差异显著。例如 Kimi-K2 和 Claude-Sonnet-4.5 在部分轨迹中平均比 GPT-5 多消耗超过 150 万 token。这一差距并非单纯由模型能力决定，而是与上下文管理方式、工具调用频率以及循环迭代深度紧密相关。人类专家对任务难度的主观评估与实际 token 成本仅呈弱相关，模型自身对消耗的预测相关系数最高也仅 0.39，且普遍存在系统性低估。

除了模型间效率差异，研究还发现人为评定的任务难度与实际token消耗仅呈弱相关。这说明人类直觉判断的“复杂Bug”，在Agent执行时所消耗的计算努力可能完全不同。有些看似简单的修复，却会意外烧掉巨量token，而一些被认为棘手的任务反而消耗相对可控。这种认知鸿沟，进一步放大了Agentic Coding在成本控制上的不确定性。

从开发者视角看，这一发现意味着规划AI Agent预算时不能只盯生成环节。短期内，优化prompt设计、引入上下文缓存或将审查拆分为独立子任务，或许能缓解部分压力；长期而言，tokenomics很可能成为新瓶颈，推动行业探索更高效的代理分工或压缩技术。如果上下文预测能力没有实质突破，大规模部署仍可能面临持续的预算约束。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。

arXiv最新论文《How Do AI Agents Spend Your Money?》的轨迹分析显示，这种现象在agentic coding任务中极为普遍，输入token的累积是主因。

一次性投入的做法越来越难见效，滚动优化才是常态。