当 Agent 修 Bug 时，它到底在烧什么？

你让 AI Agent 修一个代码 Bug，它打开项目，读了二十个文件，改了改，跑测试，没过，再改，再跑……十几轮后，Bug 还在，但你的 API 账单已经“红温”。

这不是段子，而是斯坦福、MIT、密歇根大学等联合研究团队在 2026 年 4 月发布的一篇论文中揭示的现实：AI Agent 在自主编码任务中，单次未修复 Bug 的调用成本可达数十至一百多美元，Token 消耗动辄百万级。这篇论文首次系统性地拆解了 Agent 的“消费黑箱”——钱花在哪？值不值？能不能控？答案令人震惊。

烧钱速度：是对话的 1000 倍

很多人以为，让 AI 写代码和让 AI 聊代码，成本应该差不多。但论文数据显示：Agentic 编码任务的 Token 消耗是普通代码问答的约 1000 倍，差了整整三个数量级。

问题不在“写”，而在“读”。Agent 每轮操作都要把整个项目上下文、历史记录、报错信息、文件内容全部喂给模型。随着轮次增加，上下文越来越长，而 API 是按 Token 计费的——你喂得越多，付得越多。

这就像请修理工，每次拧螺丝前都要你从头念一遍整栋楼的图纸。念图纸的钱，远比拧螺丝贵得多。论文一针见血地指出：驱动 Agent 成本的，是输入 Token 的指数级增长，而非输出 Token。

成本波动：同一任务，花费能差一倍

更令人头疼的是随机性。研究者在同一任务上让同一个 Agent 运行 4 次，结果最贵的一次比最便宜的多烧了 700 万个 Token；跨模型对比时，最高与最低消耗甚至相差 30 倍。

这意味着：选对模型，成本可控；选错模型，直接“财务失控”。更扎心的是——花得多，不代表做得好。

论文发现一个“倒 U 型”曲线：中等成本时准确率最高，而高成本运行中，准确率反而下降。原因在于：约 50% 的文件查看和修改操作是重复的。Agent 在反复读同一个文件、改同一行代码，陷入“自我循环”，像在房间里转圈，越转越晕。

钱没花在解决问题上，花在了“迷路”上。

模型能效比：天生“话多”还是“高效”？

在标准测试集 SWE-bench Verified（500 个真实 GitHub Issue）上，8 个前沿模型的 Agent 表现差异显著。换算成美元，高效模型每个任务可节省几十块，企业级应用一天跑几百个任务，差距就是真金白银。

有趣的是，Token 效率是模型的“固有性格”。研究者在所有模型都成功或都失败的任务中对比，发现模型排名几乎不变。这说明：有些模型天生“话多”，跟任务难度无关。

更令人深思的是：模型缺乏“止损意识”。面对无法解决的任务，理想 Agent 应尽早放弃，但现实是，失败任务上消耗的 Token 反而更多。它们不会“认输”，只会继续探索、重试、重读上下文，像一辆没有油表警示灯的汽车，一路开到抛锚。

难度错位：人类觉得难的，Agent 不一定贵

你可能会想：至少可以根据任务难度预估成本吧？论文找来人类专家对 500 个任务评分，再与 Agent 实际 Token 消耗对比，结果：两者仅弱相关。

人类觉得“逻辑复杂、算法难”的任务，Agent 可能轻松搞定；而人类觉得“小菜一碟”的任务，Agent 可能烧到怀疑人生。

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、算法设计、边界条件
而 Agent 看的是：上下文长度、文件数量、历史轮次、报错信息密度

一个需要精巧递归的任务，可能文件少、报错简单，Agent 几轮就搞定；而一个简单的配置错误，如果藏在几十个嵌套文件中，Agent 可能反复遍历，烧掉数百万 Token。

给 Agent 装上“油表”和“刹车”

这篇论文撕开了 Agent 的“糊涂账”，也指明了方向：
- 输入压缩：用摘要、索引、缓存减少上下文长度
- 成本监控：引入“油表”机制，实时显示 Token 消耗
- 智能止损：设置“刹车”规则，当重复操作或成本超阈值时主动终止
- 模型选型：根据任务类型选择“能效比”高的模型，而非一味追求最强

AI Agent 不是“无限预算的神”，而是需要精细管理的“数字员工”。未来，成本控制能力，将与任务完成能力同等重要。

毕竟，再聪明的 Agent，也不能靠烧钱来证明自己。

标签： AI Agent 大模型成本 代码生成 Token 效率 智能运维