Agentic 编码是财务陷阱：按 token 计费的隐藏成本

按 token 付费的自主编码循环背后隐藏的财务单位经济学。

每月 20 美元、可预测的 AI 订阅时代正在悄然终结，取而代之的是那些会悄无声息地烧掉按 token 付费 API 预算的自主工具。如果你注意到了最近关于 Claude Code 将第三方 harness 迁移到“额外用量”按需付费层级的邮件，你就已经知道大势已去了。

从确定性的、手动限定范围的上下文，转向开放式的智能体循环，会带来惊人的隐藏成本，从而扰乱标准的工程经济学。

“我曾试过用 API 来跑智能体，但看着一个金额计数器不断上涨，最终一次改动就花了大约 20 美元，这实在很难让人接受。我宁愿每月付 200 美元，也不愿接受那种体验。”

“自带 API 密钥”的诱饵调包

软件行业普遍喜爱基础聊天机器人的固定费率订阅时代。可预测性是工程预算的命脉。固定费用意味着高使用量带来的财务风险完全由供应商承担。

但现代智能体 harness 彻底颠覆了这一模式。要原生运行自主编码智能体，开发者越来越多地被要求提供自己的 LLM API 密钥。表面上看，这听起来很自由。实际上，这是一个财务陷阱。正如一位身经百战的开发者对一款新发布的 CLI 智能体讽刺地评论道：“‘只需 API 密钥’哈哈。至少也得花上几百美元。”

这给软件开发带来了出租车计价器效应。

看着终端输出流，同时语言模型递归地调试一个小的状态管理问题，这不再只是对耐心的考验——而是一场财务焦虑的煎熬。看着金额计数器实时上涨，会带来深刻的心理摩擦。在一个案例中，一位工程师在评估一款流行的 workspace 智能体时报告称，仅仅 45 分钟的自动化 React 重构就花费了超过 12 美元。

由于传统专业开发者工具历来每位开发者每年最多也就 1000 到 2000 美元，为一个经常产生幻觉的工具每小时支付 12 到 15 美元，是糟糕透顶的商业算术。

Token 熔炉：燃烧背后的数学

智能体循环自主运行。它们自我提示。它们自我纠正。它们反复迭代。而每一步都在燃烧 token。

让我们看看一个典型智能体使用 Claude Opus 5 或 GPT-5.6 Sol 这类前沿模型解决一个标准工单的实际数学（假设 API 成本约为每 100 万输入 token 15 美元、每 100 万输出 token 75 美元）：

1. 上下文扫描：智能体盲目扫描你的工作区以理解代码库。它加载了 12 万个 token 的上下文。
2. 循环：它提出修复方案，运行你的测试套件，失败，读取错误，再试一次。它这样做了 6 次。
3. 账单：120,000 tokens * 6 loops = 720,000 input tokens.
4. 输出：在这 6 次循环中，它生成了 1.5 万个输出 token 的说明、终端命令和 diff。

你刚刚在输入 token 上花了 10.80 美元，在输出 token 上花了 1.12 美元。你花了近 12 美元来修复一个简单的差一错误或状态错位，仅仅因为智能体在每次循环中都重新读取整个上下文窗口，用蛮力硬闯过了问题。

根本问题在于缺乏优化。一个简单的正则解析任务并不需要笨重、缓慢、昂贵的推理模型，但智能体却会默认使用最昂贵的可用模型来避免失败。

一些身处一线的工程师甚至怀疑，在代币经济中，臃肿完全是故意的。理论是这样的：臃肿的代码是一种特性，而不是缺陷。它花费更多代币来创建，花费更多代币来重构，并且让人更难接手，从而将你锁定在 AI 上。无论是恶意设计还是单纯的架构低效，结果都是一样的。

确定性控制的理由

对于这种资金流失，有一个务实的工程答案。

自主智能体有其用武之地。如果目标是从零开始原型化一个全新应用，花 50 美元的 API 额度让智能体搭建架构，可能是值得的。

但对于维护、扩展和调试复杂的现有代码库，确定性工具远优于智能体框架。最具成本效益的开发范式依赖于无智能体控制和精确的手动文件范围界定。与其让 AI 任意爬取代码库，开发者必须选择确切的文件来构建提示上下文。利用快速、直观的手动文件选择——如专用的工作区树视图或超快模糊搜索——可以完全防止上下文窗口膨胀。

此外，确定性工作流允许你战略性地路由任务。你可以将 80% 的脚手架和样板代码生成卸载到快速、免费的本地模型（如 Qwen 3.8 或 GLM-5.2），只在复杂、深度推理任务时才调用昂贵的 API 端点。

用标准 Git diff 取代自主的多步执行循环，能让开发周期恢复理智。AI 生成严格的搜索/替换块。开发者审查 diff。代码被应用并提交。没有自主自我提示。精确跟踪项目 API 成本。绝对控制。

反对意见：“但这难道不节省时间吗？”

对智能体循环最常见的辩护是，开发者时间是最昂贵的资源。如果智能体为你节省一小时工作，花 12 美元代币在理论上就是巨大的投资回报。

实际上，在合成基准之外，这种情况很少发生。虽然智能体擅长为新项目生成样板代码，但在复杂的遗留代码库中照看智能体、撤销其自主幻觉以及回滚损坏提交所花费的时间，往往抵消了最初的速度提升。你最终既浪费了时间又浪费了代币。

随着代币成本下降，智能体框架对最终用户来说并没有变得更便宜——它们只是增加了循环复杂性和上下文扫描，消耗更多代币，让你的最终账单保持原样。

AI 定价的严峻轨迹

当前人工智能的经济模式从根本上就是不稳定的。AI 供应商在过去几年里烧掉风险资本来补贴模型使用。随着补贴结束，价格将不可避免地上升。

企业管理层常常拒绝批准一个每年 70 美元的标准 SQL 效率工具许可证，却乐于批准在企业范围内大规模投入 AI 智能体工具。这是由炒作而非单位经济驱动的优先级错位。在智能体框架不再依赖暴力式上下文扫描、开始采用真正的语义精确性之前，按 token 付费运行开放式智能体循环是对你工程预算的鲁莽分配。

软件工程的终极奢侈不是无限自动化——而是对你的工具拥有绝对、可预测的控制权。

在可能的情况下，我会坚持使用确定性工具和本地模型。你们团队是如何管理 token 消耗的？