设想一下这个场景：

你让 AI Agent 助你建一个代码 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——还是没建好。

你关掉电脑，松了口气。而后收到了 API 账单。

上面的数字可能让你倒吸一口凉气——AI Agent 自主建 Bug 在海表官方 API 下，单次未建复工作常烧掉百万以上 Token，用度可达几十至一百多美元。

2026 年 4 月，一篇由斯坦福、MIT、密歇根大学等结合颁布的钻研论文，第一次系统性地打开了 AI Agent 在代码工作中的“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，是通常 AI 对话的 1000 倍

各人可能感触，让 AI 助你写代码和让 AI 跟你聊代码，花的钱应该差不多吧？

论文给出对比显示：

Agentic 编码工作的 Token 亏损量，是通常代码问答和代码推理工作的 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，必要不休地把整个项主张高低文、汗青操作纪录、报错信息、文件内容一股脑儿“喂”给模型。每多一轮对话，这个高低文就变得更长一轮
；而模型是按 Token 数量计费的——你喂得越多，付得越多。

打个譬喻：这就像请了一个建理工，他每动一下扳手之前，都要你把整栋楼的图纸重新想一遍给他听——想图纸的钱，远比拧螺丝的钱贵得多。

论文把这个景象总结为一句话：驱动 Agent 成本的，是输入 Token 的指数级增长，而非输出 Token。

发现二：统一个 Bug，跑两次，破费能差一倍——并且越贵的 Bug 越不不变

更让人头疼的是随机性。

钻研者让统一个 Agent 在统一个工作上跑了 4 次，了局发现：

在分歧工作之间，最贵的工作比最便宜的工作多烧约700 万个 Token（Figure 2a）统一模型、统一工作的屡次运行中，最贵的一次约莫是最便宜的一次的2 倍（Figure 2b）而若是跨模型对比统一个工作，最高亏损和最低亏损之间能够相差高达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：

成本水平正确率趋向低成本正确率较低（可能投入不够）中等成本正确率往往最高高成本正确率不升反降，进入"鼓和区间"

为什么会这样？论文通过度析 Agent 的具体操作给出了答案——

高成本的运行中，Agent 大量功夫花在了“沉复劳动”上。

钻研发现，在高成本运行中，约50% 的文件查看和文件批改操作是沉复的——也就是说，Agent 在反复读统一个文件、反复改统一行代码，像一幼我在房间里转圈，越转越晕，越晕越转。

钱没花在解决问题上，花在了“迷途”上。

发现三：模型之间“能效比”天壤之别——GPT-5 最省，有的模型多烧 150 万 Token

论文在业界尺度的SWE-bench Verified（500 个真实 GitHub Issue）上，测试了 8 个前沿大模型的 Agent 阐发
；凰愠擅涝，Token效能高的模型每个工作能够多花几十块的区别。放到企业级利用——一天跑几百个工作——差距就是真金白银。

更有意思的一个发现是：Token 效能是模型的“固有脾气”，而非工作使然。

钻研者把所有模型都成功解决的工作（230 个）和所有模型都失败的工作（100 个）别离拿出来比力，发现模型的相对排名险些没有变动。

这注明：有些模型天生就“话多”，跟工作难度关系不大。

还有一个令人沉思的发现：模型不足“止损意识”。

在面对所有模型都无法解决的难题工作时，梦想的 Agent 应该尽早烧毁，而不是持续烧钱。但现实是，模型普遍在失败工作上亏损了更多的 Token——它们不会“认输”，只会持续索求、沉试、沉读高低文，像一台没有油表警示灯的汽车，一路开到抛锚。

发现四：人类感触难的，Agent 不愿定感触贵——难度感知齐全错位

你可能会想：那至少我能够凭据工作的难易水平来预估成本吧？

论文找来人类专家，对 500 个工作的难度进行评分，而后和 Agent 的现实 Token 亏损做对比——

了局：两者之间只有弱有关。

用大口语说：人类感触可贵要死的工作，Agent 可能轻松搞定不怎么花钱
；人类感触幼菜一碟的工作，Agent 可能烧到疑惑人生。

这是由于人和 AI “看到”的难度底子不是一回事：

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、要读几多文件、索求蹊径有多长、会不会反复批改统一个文件

一幼我类专家感触“改一行就杏妆的 Bug，Agent 可能要先读懂整个代码库的结构能力定位到那一杏转—光是“读”就要烧掉大量 Token。而一幼我类感触“逻辑很绕”的算法问题，Agent 可能刚好知路尺度解法，三下五除二就搞定了。

这就导致了一个狼狈的现实：开发者险些不成能凭直觉预估 Agent 的运行成本。

发现五：连模型自己都算禁绝自己要花几多钱

既然人算禁绝，那让 AI 自己来预测呢？

钻研者设计了一个精彩的尝试：让 Agent 在真正起头建 Bug 之前，先“ inspect”一下代码库，而后预估自己必要亏损几多 Token——但不现实执行建复。

了局若何？

所有模型，全军覆没。

最好的成就是 Claude Sonnet-4.5 对输出 Token 的预测有关性——0.39（满分 1.0）。无数模型的预测有关性只有 0.05 到 0.34 之间，Gemini-3-Pro 最低，仅为0.04——根基蹬宗瞎猜。

更离谱的是：所有模型都系统性低估了自己的 Token 亏损。Figure 11 的散点图中，险些所罕见据点都落在“美满预测线”的下方——模型感触自己“花不了那么多”，现实上花了更多。并且这个低估误差在不提供示例的情况下越发严沉。

更嘲讽的是——预测自身也要花钱。

Claude Sonnet-3.7 和 Sonnet-4 的预测成本甚至高达工作自身成本的2 倍以上。也就是说，让它们先“估个价”，比直接干活还贵。

论文的结论斩钉截铁：

现阶段，前沿模型无法正确预测自身的 Token 用量。点下“运行 Agent”，就像开盲河转—账单出来才知路花了几多。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，在被 Agent 撕开裂缝

论文指出，像 ChatGPT Plus 这样的订阅造之所以可行，是由于通常对话的 Token 亏损相对可控、可预测。但 Agent 工作齐全突破了这一如果——一个的工作可能由于 Agent 陷入循环而烧掉巨量 Token。

这意味着，纯正的订阅造定价对 Agent 场景可能不成持续，按量计费（Pay-as-you-go）在相当长功夫内仍是最现实的选项。但按量计费的问题在于——用量自身就不成预测。

2. Token 效能应该成为选模型的“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一致沉要的维度：能效（花几多能力干成）。

一个能力略逊但效能高 3 倍的模型，在规
；【跋驴赡鼙取白钋康罘选钡哪Ｐ透芯眉壑。

3. Agent 必要“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战术）。单一说就是给 Agent 装一个"油表"：当 Token 亏损靠近预算时，强造它终场无效索求，而不是一路烧到底。

目前，险些所有主流 Agent 框架都不足这种机造。

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点，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、多步执杏注反复调试”，Token 亏损的不成预测性险些是一种必然。

好新闻是，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，开发者能够更明智地选择模型、设置预算、设计止损机造
；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。

终于，在 AI Agent 真正走入千行百业的出产环境之前，每一分钱花得明领略白，比每一行代码写得漂美丽亮，更沉要。（本文首发钛媒体APP，作者 | 硅谷Tech news，编纂 | 赵虹宇）

注：本文基于 2026 年 4 月 24 日颁发于 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。该钻研尚未经同业评审。