AI Coding Agent 在 SWE-bench 上真实 Token 轨迹揭秘：钱到底花哪了？

希望能帮你更快找到适合自己的那一款。

短期内，开发者部署AI Coding Agent时必须重点监控输入上下文膨胀和轨迹随机性，否则成本很容易失控。长期看，这类轨迹分析会推动行业研发更高效的token管理、上下文压缩工具和轻量框架。对普通开发者而言，选对高效模型并优化中间成本策略，就能显著降低费用。但如果模型在自我预测能力上没有突破，Agent的规模化应用仍可能面临明显的经济瓶颈。值得持续跟踪的是，未来轨迹数据集能否带来更可控的优化路径。

另一个反直觉点是，人类专家评定的任务难度与实际 token 消耗仅呈弱相关。某些在人类看来棘手的 GitHub issue，Agent 可能迅速找到高效路径；反之，一些看似简单的修复却让 Agent 陷入反复试错循环，token 开销远超预期。这反映出当前 Agent 的“思考路径”与人类认知之间仍存在明显鸿沟，也提醒我们不能简单用人工判断来预估部署成本。

工具调用冗余同样不容忽视。Agent 在探索阶段频繁读取文件、执行终端命令，每次都产生额外输入 token，单纯代码库探索就可能烧掉几万 token。社区实践显示，预先生成项目地图或依赖图，仅在必要时调用具体工具，并对输出做关键片段 summarization，能显著压缩开销。对于重复性调用，尝试本地缓存或脚本预处理。70% 和 7%——这个剪刀差说明一切，高消耗与高准确率之间并无必然联系。

论文重点考察了需要多步工具调用和上下文累积的agentic tasks。在SWE-bench这类真实软件工程场景中，Agent不断阅读代码、调用工具、生成补丁、验证测试，导致输入token快速膨胀。即使启用缓存，上下文累积效应仍主导整体开销。输出token虽重要，但远不是成本大头。这种输入驱动的特性，让传统“控制生成长度就能省钱”的思路显得不够充分。

》通过SWE-bench Verified上的轨迹数据分析发现，agentic coding任务的token消耗比普通代码聊天高出约1000倍，而且成本主要由输入token驱动，而不是输出的生成部分。这让不少人开始意识到，AI工具如果不加以控制，很容易从生产力助手变成隐形烧钱机器。

从 2026 年的短期视角看，个人开发者或小团队处理复杂编码任务时，单次运行轻松突破百万 token 已非罕见现象。试点阶段预算超支的风险较高，尤其在涉及频繁工具调用和自我修正的场景下。若企业仅凭几次成功测试就匆忙推向规模化，很可能面临难以预料的开支波动。行业数据显示，若不加以控制，token 使用量在未来两年内将呈现指数级增长，进一步放大这一压力。

模型之间的效率差异也值得注意。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，相关系数不高。这说明凭经验预估Agent开销常常偏差很大，主流误区让预算失控。

另一个反直觉发现是准确率与token消耗的关系。高消耗并不必然对应高准确率。数据表明，准确率常在中间成本区间达到峰值，继续堆token后表现趋于饱和甚至浪费。Agent可能陷入冗长循环，重复无效路径，却没带来实质进步。这就像人类专家对任务难度的主观感知，与Agent实际计算努力存在脱节——看似棘手的bug有时只需少量token解决，而简单问题却因路径随机耗费巨量资源。人类评分与真实token成本的相关性微弱，进一步印证了这种差距。

模型间效率差异同样显著，Kimi-K2和Claude-Sonnet-4.5在相同任务上平均比GPT-5多消耗超过150万token。这件事比表面看起来复杂得多：2026年企业级规模化部署的真实TCO远不止token费用本身。

arXiv上最新论文《How Do AI Agents Spend Your Money?》针对agentic coding任务进行了系统分析，考察了八个前沿LLM在SWE-bench Verified上的token消耗轨迹。研究发现，agentic任务消耗token比普通代码推理或聊天多出约1000倍，且主要是输入token主导成本，而非输出。

最新1元1分跑的快群的发展中，SEO资讯站注意到政策与市场的双重作用力。