How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks
本文通过对 SWE-bench Verified 任务中八种前沿大模型的系统性研究，揭示了智能体编程任务具有极高的 Token 消耗量、显著的随机性与模型间效率差异，并发现模型普遍存在低估自身 Token 成本且无法准确预测消耗的问题。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇文章的研究非常有意思，它其实在讨论一个非常现实的问题：当你雇佣一个“AI数字员工”帮你写代码时，它到底是怎么“烧”你的钱的？
为了让你轻松理解，我们可以把这个研究想象成一个**“雇佣私人管家”**的故事。
1. 核心发现：AI管家是个“吞金兽”
（研究结论：Agentic Coding 任务的 Token 消耗远超普通对话）
想象一下，你平时找个助手问个问题（这叫 Code Chat），就像是问他：“今天天气怎么样？”他回你一句，成本极低。
但如果你雇佣的是一个“全能管家”（AI Agent），任务是：“帮我把家里所有的电路重新理一遍。”这时候，情况就变了。他不仅要看图纸，还要进房间检查，甚至还要反复拆开墙壁看一眼，再装回去。
论文发现： 这种“管家式”的任务，消耗的资源是普通对话的 1000倍以上！而且最烧钱的不是他“说话”（输出 Token），而是他为了完成任务，反复翻看、阅读那些厚厚的“说明书”和“历史记录”（输入 Token）。
2. 意外的发现：干得越多，不一定干得越好
（研究结论：Token 消耗与准确率并非线性增长，存在“无效加班”）
通常我们认为，给员工更多的资源、让他多思考，事情就能办好。但研究发现，AI管家有时候会陷入**“无效加班”**的怪圈。
比喻： 就像一个装修工，如果他遇到问题，不是去想办法解决，而是不停地在同一个地方反复拆开又装上，拆开又装上（论文里提到的“重复查看和修改文件”）。他干的时间越长，花的钱越多，但最后可能还是没把活干成。这种“原地打转”的行为，不仅浪费了你的钱，还没提高成功率。
3. 谁是“省钱达人”？
（研究结论：不同模型的 Token 效率差异巨大）
不同的 AI 模型就像不同性格的管家：
- 有的管家（如 GPT-5 系列）：脑子转得快，看一眼就知道怎么干，动作干脆利落，非常省钱。
- 有的管家（如 Kimi-K2 或 Claude Sonnet-4.5）：虽然也很聪明，但他们非常“谨慎”或者说“啰嗦”，干同样一件事，他们要翻看更多的资料，走更多的弯路，最后结账时，你会发现他比别人多花了上百万个“代币”。
4. 最大的难题：管家自己也算不清账
（研究结论：模型无法准确预测自己的 Token 消耗）
这是最让用户头疼的地方。当你把任务交给管家时，你最想问的是：“喂，这活儿大概要花我多少钱？”
比喻： 你问管家：“修好这个水管要花多少钱？”管家看了看，一脸自信地说：“大概 10 块钱。”结果他一上手，发现水管锈死了，拆开一看里面全是泥，最后结账时给了你 100 块。
论文发现： 现在的顶级 AI 即使在干活前尝试“预估”成本，也总是习惯性地低估。他们能感觉到这活儿“挺贵”或者“挺便宜”，但给出的具体数字往往不准。这导致用户在任务开始前，很难预知到底会面临多大的账单。
总结一下：
这篇文章其实是在给未来的“AI经济学”敲警钟。它告诉我们：
- AI Agent 真的很贵，而且贵在“读资料”而不是“说话”。
- 别以为花钱多就能办好事，AI 有时候会陷入“无效循环”。
- 选模型要看“性价比”，有的模型虽然强，但可能是个“败家子”。
- 目前的 AI 还不会“算账”，用户在雇佣它们时，依然面临着“账单不可控”的风险。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。