代码审查阶段为什么吃掉 AI Agent 近 60% token？开发流程 tokenomics 拆解

这也对SEO写作者的综合能力提出了更高要求。

提示缓存与上下文管理则是直接针对输入重复浪费的实用手段。许多平台已支持 prompt caching，将不变的系统指令或工具定义设为缓存前缀，能将这部分输入 token 价格降至原价的十分之一左右。结合定期用廉价模型生成历史摘要、只保留关键状态的做法，单这一策略在实际项目中常能贡献 25-40% 的节省，避免了每轮循环都重传全量历史的低效模式。

arXiv最新论文“How Do AI Agents Spend Your Money?”给出了系统实证数据。研究分析了八个前沿LLM在SWE-bench Verified上的完整轨迹，结果显示Agentic编码任务的token消耗是普通代码推理或聊天任务的1000倍左右，而主导成本的正是输入token，而非输出token。即使启用token缓存，这一规律依然成立。

OpenHands 的轨迹示例显示，Agent 常像一个爱绕路的司机，在早期就积累大量历史上下文，后续每步决策都要反复消化这些信息，导致输入 token 持续滚雪球式增长，却未必更快抵达解决方案。

这一human-AI gap对agent deployment的实际影响正在显现。短期内，依赖传统直觉做预算容易导致ROI下滑；长期来看，它或将推动行业开发更精准的token预测工具、优化模型效率，或设计内置预算感知的Agent架构。目前模型自我预测token消耗的相关性最高仅0.39且系统性低估，值得持续跟踪，现在下结论为时尚早。

不同模型在相同代理任务上的效率差异也令人印象深刻。某些模型如Kimi-K2和Claude-Sonnet-4.5，在平均表现上比GPT-5多消耗超过150万token，这反映出架构、提示处理和工具交互机制的本质区别。企业选择部署哪款模型时，不能只看基准准确率，还必须把token经济学纳入决策框架，否则长期运营成本会超出预期。

深挖论文数据，核心原因在于代理任务的迭代循环机制。不同于一次性代码聊天，Agentic Coding需要AI反复读取历史上下文、调用工具、观察执行结果并重新规划，这导致大量输入token被反复注入提示词中。论文将其描述为一种“通信税”：代理的每一次“思考”都要为累积的对话历史和代码片段买单。简单类比，就像团队开会时每次发言前都要重述所有先前记录，而不是直接接续讨论。聊天模式上下文轻薄，而代理模式下上下文像雪球般滚大。

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。

模型选择失误也是开发者常踩的坑。默认调用最强模型处理所有任务，会在简单修复上浪费高价 token。论文对比显示，不同模型在 SWE-bench 任务上的 token 效率差异显著。建议根据任务类型分层：规划或小改动用性价比高的模型，大型重构再切换强推理模型。先跑一个低成本评估步骤估算难度和预计消耗，再决定后续路径，这个条件分支能避免大量无效支出。

不同前沿模型在相同 agentic coding 任务上的效率差异显著。例如 Kimi-K2 和 Claude-Sonnet-4.5 在部分轨迹中平均比 GPT-5 多消耗超过 150 万 token。这一差距并非单纯由模型能力决定，而是与上下文管理方式、工具调用频率以及循环迭代深度紧密相关。人类专家对任务难度的主观评估与实际 token 成本仅呈弱相关，模型自身对消耗的预测相关系数最高也仅 0.39，且普遍存在系统性低估。

另一个值得注意的现象是token消耗的随机性。同一个任务不同运行间总token差异可达30倍，且更高消耗并不必然带来更高准确率——准确率往往在中间成本区间达到峰值，之后继续迭代反而饱和。人类专家对任务难度的主观评估与实际token成本仅呈弱相关：看似棘手的bug有时Agent处理得很快，而简单修复却引发反复审查，形成token黑洞。这种感知与现实的脱节，进一步加大了开发者对tokenomics的把控难度。

在核心逻辑的赛道竞争中，SEO资讯站观察到明显的两极分化。