Agent 需要“油表”和“刹车”：一篇论文，扒光了 Agent 的“糊涂账”

想象一下这个场景：

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。

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。