从“龙虾”到“爱马仕”，Agent越能干Token越费钱

从初代Manus到爆款OpenClaw（行业简称其为龙虾），再到如今的Hermes（简称爱马仕），AI智能体迭代一路刷屏。名字换了一轮又一轮，相关争议话题一茬又一茬，核心却始终没变：让AI直接接管系统、自主跑通复杂任务，成为真正能干活的智能体。

2026年，Agent赛道的热度被大厂的跟进拔高到新高度。北京时间4月17日，OpenAI对旗下AI编程智能体平台Codex进行升级，使其能够在后台控制MacOS应用程序，运行多个Agent以执行测试和前端开发等任务，并集成了包括JIRA和GitHub在内的90多个插件。

OpenAI之外，多家厂商在Agent领域持续更新迭代，包括Anthropic Claude、字节跳动豆包、阿里千问、智谱GLM系列等。行业逐渐达成共识：模型能力再强也需要具备落地执行任务的能力，目前这个能力的最佳载体便是智能体。

Agent技术持续迭代

初代Agent有热度、但未能实现大规模破圈传播应用，核心原因便是当时的产品存在易失忆、易半途中断等问题。稳定性不足的缺陷，直接导致智能体无法真正替代人工完成复杂工作。

OpenClaw阶段引入混合记忆，初步解决上下文丢失；Hermes构建分层持久记忆与主动检索，实现长期记忆不丢失；Harness进一步强化状态持久化与错误恢复机制，并补齐任务拆解、执行、校验、修正全流程闭环。三者共同解决了“上下文焦虑”与执行稳定性问题，使Agent业态从“能跑”逐步进化到“越跑越稳”。

此次Codex也在记忆问题与系统级原生操作方面进行强化。据官方披露，Codex新功能包括根据提示生成图像、学习用户偏好的记忆功能以及来自Slack等应用程序的主动建议。

官方演示显示，Codex可以构建和调试井字棋游戏或创建汉堡店的视觉效果，每周为超过300万用户提供服务，其需求已远远超出编程范畴。此次升级首先在MacOS上推出，Windows版本即将推出。

对于近几个月Agent行业的迭代，澜舟科技创始人兼CEO周明对第一财经记者表示，智能体的核心发展逻辑从过去“一问一答”的单轮交互进化为“全链路端到端自主执行”的生产力工具，两个关键词定义了这一变革：一是“全链路”，任务执行过程中无需人工干预或仅需极少介入；二是“自主性”，在安全边界内可自主决策、解决执行中的问题，无需人类逐一指导。

这一突破在2024—2025年并未完全实现，直到“龙虾”的出现才让行业眼前一亮。周明表示，“龙虾”系列首次验证了AI自主拆解任务、调度工具、闭环完成的可行性。但随之而来的是“自主过度”的隐患：任务执行偏航、结果自洽但不符合实际需求、长时任务记忆冗余等问题。而后续的“驾驭工程（Harness Engineering）”正是针对性解决方案：通过动态纠偏机制修正执行偏差，通过记忆蒸馏（提炼关键信息而非全量保留）优化长时任务效率，最终实现“自主且可信”的核心目标。

整体来看，周明认为，从OpenClaw到Hermes的迭代，本质是一条大模型、智能、自主、可信的完整AGI发展路径。如今，智能体已能自主完成编程、跨工具协作等复杂任务：人类只需提出需求，它就能自动拆解任务、调度不同规模的子智能体或第三方工具，拼接成完整解决方案。

Token暴增背后的算力压力

在OpenAI Codex工程负责人Tibo打出“提升计算效率、解决硬核工程”的广告语后，OpenAI CEO山姆·奥尔特曼回应称：很高兴大家都在转向Codex，但如果Tibo你开始限速或提供更差的模型…

有网友在评论区调侃称：一家估值8000亿美元的CEO公开担心自己产品的调用速率被限制，这等于公开暴露了它的单位经济模型有多糟糕。每次Codex调用都要消耗OpenAI真实的GPU算力，如果他们连公司头号人物（CEO）都无法享有无限调用，说明规模化后单条请求仍将是负利润。

亏损是目前大模型厂商面临的主要挑战，在此背景下的Token调用量大幅提升显得令人兴奋又紧张。为应对Token需求暴增，厂商通过提价、优化工程等方式进行缓解。

以智谱GLM为例，作为国产大模型Codling领域的头部代表，智谱模型持续提价，近期更因海内外订阅价格不同，同模型、同配额的海外订阅/API价格几乎是国内版本的2–3.5倍，被海外用户称为“西方税/护照税”。行业内，国内大模型普遍“国内低价、海外溢价”，但智谱因编程场景刚需、海外爆款，争议最为突出。

智谱CEO张鹏此前公开回应涨价问题时表示，复杂任务的推理链路更长、需写代码与底层交互并持续调试，完成任务的Token用量是简单问答的十至百倍，价格调整是成本变化的自然结果。一位行业人士向记者表示，国产大模型厂商本轮提价，前提是此前行业普遍陷入价格战。至于智谱这类大幅提价是否会影响用户留存，该人士认为，这属于企业在综合权衡成本、市场与盈利能力后做出的商业决策。

值得警惕的是，Agent需求带动下的Token暴增，很大一部分属于资源浪费，甚至被戏称为“代码垃圾”，业内至今无法精准计算高额AI Coding的实际ROI（投入产出比）。此前火山引擎总裁谭待也认为，很多用户反馈Token消耗快，核心问题是“龙虾”类产品完成任务时有很多无效尝试，因为它没有限制，能尝试各种方法，会有惊艳解法，也会有大量无效沟通。

当前，人工智能已从大模型技术竞赛转向AI原生应用落地阶段。2026年起，大模型落地能力成为决胜关键，Token使用效率也变得更为重要。

周明对记者表示，以Hermes为例，它通过工具集拆分、按需加载等方式降低消耗。未来更核心的路径将是“云边端协同+大小模型编排”，用云端大模型负责任务规划，边缘端/终端的轻量化开源模型执行特定单点任务，避免大模型全程介入。此外，企业OS、Token网关配额管理等方式也在落地，实现成本透明化管控。

接下来，周明认为智能体的自主能力将持续“沸腾”，但成本控制将成为核心竞争力，这一双向博弈将推动行业从追求能力上限向平衡能力与成本转型。