Coding Agent烧钱真相：Token消耗暴涨，但花得越多未必做得越好

当前，AI Agent 正进入大规模部署阶段，其中应用范围最广、关注度最高的当属 Claude Code、Codex、Cursor 这类编码智能体。过去一年里，这类产品迭代迅猛，在 SWE-bench-verified 基准上的准确率在一年内提升到了 78% 以上。

然而，与简单的代码推理或代码相关的对话任务相比，编码智能体的 Token 消耗量极为惊人。在使用这类工具时，用户最常见的抱怨是：“为什么它解决问题这么啰嗦？”“为什么回答如此冗长？”以及“为什么我的 Credits 这么快就用完了？”

这些抱怨背后，暴露了当前编码智能体存在的几个核心问题：

1. 不透明：编码智能体消耗 Token 的行为模式不清晰，不同模型之间的差异也缺乏透明度；
2. 不保底：在任务执行前，很难预判任务能否成功，但无论成败，用户都必须为已消耗的资源买单；
3. 不可预测：人类对问题难度的主观判断，与实际 Token 消耗之间是否匹配？Agent 自身能否预估任务会消耗多少 Token？

针对这些痛点，来自密歇根大学、斯坦福大学等机构的研究人员，借助开源的 OpenHands Agent 框架，对 8 个前沿模型在 SWE-bench-verified 上的运行轨迹进行了分析，首次给出了一份系统性的解答。

• 论文标题：How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks
• arXiv 论文：https://arxiv.org/pdf/2604.22750
• 项目网站：https://longjubai.github.io/agent_token_consumption/

Agentic Coding 有多贵？

论文首先对比了三种与编码相关的任务：代码推理（单轮对话推理任务）、代码问答对话（多轮对话聊天）以及 SWE-bench 上的 Agentic 编码任务。结果发现，Agentic 编码任务在平均输出/输入 Token 比、平均总 Token 消耗以及平均金钱消耗上，均呈指数级高于另外两种任务。

这源于 Agentic 编码任务的多轮交互特性以及庞大而复杂的上下文管理：海量的代码查询和文件输出会被不断加入对话历史，导致消耗持续增长。同时，Agent 会反复将历史上下文和工具输出喂给模型，使得输入输出比高达 154:1。这意味着，Agentic 编码任务的成本结构与我们熟悉的对话和推理任务有着本质区别。

Agentic Coding 的开销随机性高，且花得越多未必做得越好

论文统计了 SWE-bench-verified 中 500 个问题的平均 Token 消耗，并按消耗量从小到大排序。从图中可以发现，最昂贵的任务可能比最便宜的任务多消耗约 700 万 Token，而且越贵的任务，其 Token 消耗的标准差也越大。

针对同一任务的多次重复运行，通过对比最贵与最便宜的一次运行，结果发现，即便是同一个任务，最贵的运行仍可能比最便宜的运行贵出约两倍。

进一步分析 Token 消耗量与准确率的关系，论文发现，更多的消耗并不能保证更高的准确率。

对于不同任务而言，论文根据平均 Token 消耗量进行分组，并统计每组任务的准确率，结果发现，Token 消耗更多的任务，其准确率往往更低。

对于同一任务的不同运行，将四次运行按 Token 消耗从低到高分为四个等级，并统计每个等级的准确率。结果发现：从所有模型的平均表现来看，最高准确率并非出现在开销最高的时候，而是出现在开销较低时。当开销最低时，任务运行的准确率也最低；当开销稍有提升时，准确率达到峰值；而继续增加开销，当开销达到第二高和最高时，准确率反而下降——更多的资源消耗并未带来更高的任务成功率。

为了探究高开销失败背后的原因，论文检查并分析了 Agent 解决问题轨迹中的两类行为：阅读文件和修改文件。结果发现，在开销更大的运行轨迹中，重复修改和重复查看同一文件的次数也明显更多。这表明，更多的 Token 消耗实际上伴随着大量来回“折腾”，而非高效的推理、尝试和检查。简而言之，一味地堆砌 Token 并不能显著提升效果。

哪些模型贵，哪些模型省？不同模型之间的 Token 效率差异极大

以上分析基于所测试的 8 个模型的整体表现。在此基础上，论文对每个模型进行了具体分析，并比较了它们使用 Token 的效率。

文章测试的八个模型包括：OpenAI 的 GPT-5 和 GPT-5.2，Anthropic 的 Claude Sonnet-3.7、Claude Sonnet-4 和 Claude Sonnet-4.5，Google 的 Gemini-3-Pro Preview，Moonshot AI 的 Kimi-K2，以及阿里巴巴的 Qwen3-Coder-480B。这八个模型覆盖了五家不同公司，同时包含闭源 API 模型（GPT、Claude、Gemini 系列）和开源模型（Kimi-K2、Qwen3-Coder-480B）。其中 Claude Sonnet 有三个版本、GPT 有两个版本，这样既包含了跨公司的横向对比，也包含了同一家族内不同代际的纵向对比。

通过观察不同模型的 Token 消耗与任务准确率的关系，发现模型间的差异是系统性的，并非由任务难度不同导致，而是源于模型自身的行为习惯。例如，GPT-5 和 GPT-5.2 能够以较低的 Token 成本达到不错的准确率，而 Kimi-K2 在成本较高的同时，准确率却并不突出。在同样的 500 个任务下，Kimi-K2 和 Claude Sonnet-4.5 比 GPT-5 多消耗了约 150 万 Token。

论文进一步选出了两个任务子集：所有模型都成功的任务和所有模型都失败的任务，并再次统计了不同模型的 Token 消耗。结果发现，模型的 Token 消耗排序基本保持不变，并且所有模型在失败任务子集上的 Token 消耗都多于成功子集。不同模型从失败子集到成功子集的 Token 消耗增量也各不相同。

是否有办法对任务的 Token 消耗进行提前预测？

人类专家对任务难度的判断与 Agent 实际 Token 消耗并不完全吻合

在了解了 Agentic Coding 的开销之后，下一个问题是：在执行任务之前，能否根据任务本身来预测其开销？

论文首先分析了人类专家所理解的任务难度，是否可以作为预测 Agent Token 开销的标准。在 SWE-bench-verified 中，每个任务都有人类专家标记的难度等级，根据预期完成时间分为三档：“< 15 min”、“15 min – 1 hr”、“> 1 hr”。如果人类消耗的时间相当于 Agent 消耗的 Token，那么人类估计的任务难度是否与 Agent 的 Token 开销吻合呢？

论文将不同任务按 Token 开销排序，并计算它与人类标注难度的相关性。结果显示，Kendall tau = 0.32，表明人类专家对任务难度的判断与 Agent 实际消耗的 Token 之间，只有很弱的相关性。

任务复杂度认知的错位：人类与AI的“难度观”并不相同

有趣的是，6.7% 被归类为“简单”的任务，其实际Token消耗竟然高于所有“困难”任务的平均水平；而11.1% 的“困难”任务，其Token消耗反而低于所有“简单”任务的平均值。这一反常现象清晰地表明，人类程序员与AI Agent对任务“复杂度”的认知，完全处在两个不同的维度上。

让Agent自己“算账”：自我预测Token消耗是否可行？

既然人类对任务难度的判断与Agent的实际开销存在显著偏差，一个自然而然的思路是：是否可以让Agent自己来预测自己的Token消耗？

针对这一设想，论文作者进行了一项自我预测实验。在该实验中，Agent所使用的所有工具及底层架构均保持不变，唯一的改动出现在系统提示词中——将原本的“解决问题”指令替换为“预估开销”。通过这种方式，Agent的功能与特性得到了最大程度的保留，使其能够利用同样的工具对代码库进行多轮探索、测试与推理，从而完成自我预测。

预测表现：相关性偏低，普遍存在低估

为了衡量预测的准确性，论文将预测开销与实际开销之间的相关性作为评估指标，并同步记录了进行预测本身所消耗的Token。结果显示，模型预测与实际开销之间的最高相关系数仅为0.39（由Claude Sonnet-4.5在输出Token维度上取得），绝大多数模型的相关系数徘徊在0.2至0.3之间。此外，模型对输出Token的预测准确性普遍优于对输入Token的预测。在成本层面，除早期的Claude Sonnet-3.7和Claude 4这两个模型外，大部分模型进行预测所需的开销不到实际任务执行成本的一半。而Claude Sonnet-3.7和Claude 4的预测成本，一度超过了真实任务执行成本的两倍。

进一步的深入分析发现，所有模型无一例外地低估了任务的实际消耗，其中对输入Token的预估偏差尤为严重。

结论：事前定价仍遥不可及

综上所述，无论是人类专家还是Agent自身，目前对Token消耗的预测都只能作为一个粗略的信号，距离实现精准的“事前定价”还有相当大的差距。

总结

本文通过对Coding Agent运行轨迹的深入剖析，揭示了以下核心发现：Agent的Token消耗以输入Token为主导，且在不同问题之间，甚至同一问题的不同运行轮次之间，都表现出极高的随机性。不同模型的Token效率差异显著，而更高的Token消耗并不能保证更高的任务正确率。在执行前的成本预测方面，人类对任务难度的理解与Agent的实际Token消耗并不匹配，Agent自身的预估也存在准确率低且普遍低估的问题。未来的潜在研究方向，包括设计更高效的Agent架构，以及开发更优的开销预测与管理方法。

作者介绍：

本文第一作者Longju Bai是密歇根大学的一年级博士生，通讯作者Jiaxin Pei目前是斯坦福大学的博士后研究员，即将入职得克萨斯大学奥斯汀分校担任助理教授。合作者包括来自斯坦福大学的Zhemin Huang和Erik Brynjolfsson，来自All Hands AI的Xingyao Wang，来自Google DeepMind的Jiao Sun，来自密歇根大学的Rada Mihalcea，以及来自斯坦福大学和麻省理工学院的Alex Pentland。