你可能遇到过这种情况：让一个Agent改个bug、整理一份竞品资料，或者帮你写一篇文章。你只发了一句话，等账单出来，却发现费用比想象中高很多。
这通常不是平台多算。你看到的“一句话”，在后台已经变成了几十次模型调用。Agent要先理解任务，再查资料、读文件、调工具、看结果；发现不对，还要回头改；改完再跑一遍验证，最后才把结果总结给你。你发出去的是一句话，它执行的是一串来回。
更麻烦的是，Agent自己也很难提前估准这次任务会花多少钱。密歇根大学、斯坦福大学等团队做过一个实验：让Agent动手前先估算自己接下来会用多少token。结果不管换哪个模型，估出来的数字普遍低于实际消耗，预测值和真实值的相关性最高也只有0.39。这笔账连模型自己都很难算准。
这篇文章想讲清楚三件事：Agent的token到底花在哪，为什么它天然比普通对话贵得多，以及一条真实Agent任务的账单拆开后长什么样。
一、先看懂账单里的四个科目
在讲Agent为什么贵之前，先把账单里的几个科目认清楚。不管是OpenAI还是Anthropic，API返回的用量数据里，token通常会拆成几类：
- input tokens：你喂给模型的上下文，包括系统提示词、历史对话、工具返回内容
- output tokens：模型生成出来的内容
- reasoning tokens：部分模型在回答前用于内部推理的token，你看不到内容，但通常按输出token计费
- cached tokens：命中缓存的重复上下文，单价比普通input低
这些都会出现在每次API调用返回的usage元数据里，是追踪用量和拆账的基本单位。
有个细节很容易被忽略：只要请求里带了tools参数，账单的起点就已经变了。费用不一定等到工具真正调用之后才发生，工具定义本身就会进入请求上下文。哪怕这一轮模型最后没有调用任何工具，这部分内容也可能已经算进input。
Anthropic文档里有个很直观的例子。Claude Sonnet 5只要请求里传了tools，就会多出一段tool use system prompt。如果tool_choice是auto或none，这段是354个token；如果是any或tool，也就是强制模型调用工具，这段会变成474个token。这类费用写在官方文档里，只是很多人在估Agent成本时不会把它算进去。
二、Agent贵在反复读上下文
Agent比普通对话贵，核心原因是它常用的ReAct模式，也就是思考、行动、观察循环。这个循环有个很要命的特点：每一轮都要把前面的历史重新塞回上下文。上一轮的推理过程、工具调用记录、工具返回结果，都会跟着进入下一轮输入。
拆开看，大概是这样：
规划阶段，模型要读任务描述、约束条件和项目背景，先判断从哪里下手。这一步还没真正动工具，但已经开始产出推理和计划。
工具调用阶段，工具定义、调用参数、执行结果都会进入上下文。工具返回的内容不是读完就结束，它会变成下一轮input的一部分。
反思和重试阶段，失败日志、测试输出、之前试过的路径又会被喂回模型。排查越久，历史越厚，下一轮输入就越贵。
密歇根大学、斯坦福大学等团队基于OpenHands框架，跑了SWE-bench Verified里的真实编程任务。实验覆盖8个前沿模型、500个任务，每个任务独立跑4次。结果很夸张：Agentic Coding任务平均消耗约417万token，是单轮代码推理任务的约3500倍，是多轮代码聊天任务的约1200倍。输入输出token比例达到153.85，也就是模型每生成1个输出token，平均要读153个输入token。普通多轮代码聊天的这个比例只有1.33。
Agent贵，主要贵在模型读得多。历史上下文越滚越厚，账单里最大的一块也跟着越滚越大。
如果再叠上Plan-and-Solve这类架构，成本还会继续放大。它会先生成一份多步计划，再逐步执行每个子任务；而每个子任务里，又可能各自跑一轮完整的ReAct循环。看起来只是任务拆得更清楚了，账单上却可能变成循环套循环。
三、一条真实轨迹里，钱花在了哪几轮
说“Agent会滚账单”还不够，直接看一条真实轨迹更清楚。
还是上面那篇研究，里面公开了一条任务轨迹：任务编号astropy-7336，用Claude Sonnet 4.5跑，一共31轮才完成。研究者把整条轨迹按功能分成五个阶段：
| 阶段 | 对应的工作 | 占总轮次 |
|---|---|---|
| Setup（规划） | 任务理解、环境初始化、复现问题 | 9.98% |
| Explore（检索） | 代码搜索、文件检查、根因分析 | 30.37% |
| Fix（执行/反思） | 代码修改、调试迭代、补丁完善 | 33.53% |
| Validate（校验） | 测试、回归检查 | 16.59% |
| Closeout（总结） | 最终检查、清理、总结输出 | 9.53% |
Explore和Fix加起来接近三分之二。也就是我们平时感觉最耗时间的“查文件”和“改了又改”，确实也是Agent最容易消耗轮次的地方。
再往细看，每一轮的成本主因会来回切换。第1轮主要贵在输出token，因为模型在做初始规划；第10轮主要贵在未缓存输入token，因为它在读测试文件、创建复现脚本；第17轮又变成输出token为主，因为模型在写调试脚本；第23轮和第28轮再次由未缓存输入主导，用在跑测试、清理临时文件；最后第31轮主要是输出token，用来生成总结。
单轮看，输入和输出会交替成为成本大头。拉长看，输入token，尤其是反复带入的历史，才是总账单里最重的部分。即便很多历史命中了缓存，单价已经便宜很多，量一旦大到一定程度，便宜的input照样会超过高单价但数量少的output。
下面这张表可以直接拿去套自己的Agent任务。如果手头有真实usage日志或trace数据，就把数字填进去；如果暂时没有实测数据，也可以先用公开定价做模拟账，但一定要标清楚是模拟，不要写成实测。
| 阶段 | 模型回合 | 工具调用 | 主要Token来源 | 容易滚账单的原因 |
|---|---|---|---|---|
| 规划 | 1-2 | 0 | 任务、系统提示、项目约束 | 一开始就带全量规则 |
| 检索 | 5-10 | 10-30 | 文件内容、搜索结果、工具返回 | 工具结果进入下一轮上下文 |
| 执行 | 3-8 | 5-20 | patch、命令输出、错误日志 | 每次失败都会增加历史负担 |
| 反思 | 2-6 | 0-5 | 失败路径、测试输出、候选方案 | 模型会带着前面的错误继续判断 |
| 总结 | 1-2 | 0 | 全部变更和验证结果 | 输出不多，但输入已经很厚 |
模型档位也会明显影响同一条轨迹的账单。OpenAI在2026年6月预览、7月正式开放的GPT-5.6系列就是一个例子：Sol每百万token输入5美元、输出30美元；Terra输入2.5美元、输出15美元；Luna输入1美元、输出6美元。同样的token轨迹套进去，最贵和最便宜相差5倍。
所以在Agent场景里，比较务实的做法是把强模型用在规划、关键判断和最终验收上，把检索、摘要、格式转换这类任务交给便宜模型。只找低单价模型不够，更稳的做法是让不同阶段用不同档位的模型。
四、成本经常不是线性增长
很多人会以为，某一步失败了，大不了多花一轮调用的钱。实际不是这样。
第一次失败带来的不只是一次额外调用，还会把错误日志、已经试过的路径、更多上下文一起带进下一轮。Agent越认真排查问题，历史就越厚，下一轮输入就越贵。很多时候，最贵的不是生成答案，而是带着越来越厚的历史反复判断。
那篇研究还发现一个挺关键的现象：token花得越多，任务不一定做得越好。准确率往往在中等花费的run上达到峰值，再继续增加花费，准确率反而下降或停滞。研究者进一步看了高花费轨迹，发现里面重复读同一个文件、重复改同一处代码的比例更高。
这说明一部分高成本不是深度思考，而是原地打转。多跑一轮，未必就多一点进展。
五、循环没有刹车，账单会很难看
原地打转听起来只是效率问题，但如果没有上限，它会直接变成费用事故。
2026年5月20日的阿里云峰会上，米哈游《崩坏》系列AINPC&Gameplay技术团队负责人郑银河分享过一个案例：团队里一位工程师为了测试多智能体协作，周末搭了几十个Agent，没设token消耗上限就下班了。结果这些Agent陷入循环调用，几十个Agent互相等待对方输出，又互相触发下一轮调用，连续跑了13个小时，烧掉了价值200万元人民币的token。郑银河当时的说法是，如果换成独立游戏团队，这一晚上可能就撑不住了。
海外也有类似案例。OpenClaw创始人Peter Steinberger公开过自己的账单：3人团队指挥约100个Codex智能体，30天内消耗6030亿token，发起760万次请求，OpenAI账单达到130万美元，约合人民币930万元。
这两个案例的问题不只是模型单价高，而是循环没有边界。没有最大回合数，没有token预算上限，也没有失败后停下来重新评估的机制。Agent能力越强，这类边界就越重要。
六、怎么把账单压下来
知道账单怎么滚起来，控制成本就不能只盯着“换便宜模型”。下面几件事更值得优先做：
- 不要全流程都用最贵模型。规划和最终判断用强模型，分类、摘要、格式转换这类任务用便宜模型。
- 限制工具返回内容长度，不要把完整日志、整份文件、整页搜索结果都塞进下一轮上下文。
- 给Agent设置最大回合数和token预算，不要让它自己无限判断“还要不要继续”。
- 长资料先压缩成可引用摘要，再按需要回看原文。
- 把稳定不变的系统提示词和项目背景做成缓存，别在每轮都按全价重读。
- 失败之后，先让Agent用一句话说明下一步要验证什么，再决定要不要继续执行。
如果你用OpenAI Agents SDK、LangSmith这类工具搭Agent，拆账不用完全手工做。OpenAI Agents SDK的trace会记录一次Agent运行里的LLM生成、工具调用、agent handoff和guardrail检查；LangSmith会把成本拆成input、output、other几类，other里可以放工具调用、检索步骤和自定义成本。跑一次trace，基本就能看到钱花在哪。
写在最后
回到开头那个问题：为什么你只问了一句，账单却滚起来了？
因为单次模型调用价格只是单价。Agent成本主要看回合数、上下文厚度、工具结果长度和失败重试次数。同一个模型、同样的任务，账单可以因为这几个变量差出几十倍，甚至更多。
所以看Agent价格，不能只看每百万token多少钱。更要看它会跑多少轮、每轮带多少上下文、失败后有没有停下来的机制。
控制Agent成本，最后还是要管住循环本身。
本文数据核对自：Anthropic Claude Platform官方文档（tool use pricing表，2026年7月）、arXiv 2604.22750（密歇根大学/斯坦福大学等，SWE-bench Verified实测研究）、OpenAI官方GPT-5.6发布页（2026年6月预览、7月正式开放）、LangSmith官方cost tracking文档、OpenAI Agents SDK官方tracing文档、米哈游技术负责人郑银河2026年5月20日阿里云峰会公开分享、OpenClaw创始人Peter Steinberger公开账单