aiedtechllmeconomicscoding

AI Agent 如何花錢？分析與預測代理式編碼任務中的 Token 消耗

arXiv - Computers and SocietyLongju Bai, Zhemin Huang, Xingyao Wang, Jiao Sun, Rada Mihalcea, Erik Brynjolfsson, Alex Pentland, Jiaxin Pei

本研究首次系統性分析 AI Agent 在編碼任務中的 Token 消耗模式，發現其成本極高且難以預測。

AI 幫你先抓重點

AI 重點 1

「高投入不等於高產出」的非線性關係

滑鼠懸停看 AI 判斷理由
研究顯示準確度在成本達到一定程度後會進入飽和期，這提醒開發者與使用者，盲目增加模型運算量或上下文長度並不一定能提升任務品質，應更關注資源分配的效率。
AI 重點 2

人類直覺與計算成本之間的巨大鴻溝

滑鼠懸停看 AI 判斷理由
人類專家評估的任務難度與實際 Token 消耗並不一致，這意味著在設計 AI 驅動的工作流時，不能僅依賴人類的直覺來預估運算成本或資源需求。

核心研究發現

  1. 1

    代理式任務的 Token 消耗量比單純的程式碼推理或對話高出 1000 倍，且主要成本由輸入 Token 驅動而非輸出。

  2. 2

    Token 使用量具有高度隨機性，同一任務的不同執行過程消耗差異可達 30 倍，且高消耗並不等同於高準確度。

  3. 3

    不同模型間的 Token 效率差異巨大，例如 Kimi-K2 與 Claude-Sonnet-4.5 的平均消耗量比 GPT-5 高出 150 萬個 Token。

  4. 4

    目前的前沿模型無法準確預測自身的 Token 使用量，普遍存在系統性低估成本的問題，且與實際成本相關性極低。

對教育工作者的啟發

對於開發 AI 輔助學習工具或自動化教學系統的設計者而言，此研究提供了重要的成本警示。首先，在設計需要 AI Agent 進行複雜任務（如自動批改程式碼或引導式專題學習）的系統時，必須預留極大的預算彈性，因為 Token 消耗具有高度不確定性。其次，不應僅追求最強大的模型，而應根據任務需求選擇「Token 效率」最高的模型，以優化成本效益。最後，開發者應建立更精準的成本監控機制，而非依賴模型自身的預測，以避免在自動化教學流程中產生不可控的運算支出。

原始文獻資訊

英文標題：
How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks
作者：
Longju Bai, Zhemin Huang, Xingyao Wang, Jiao Sun, Rada Mihalcea, Erik Brynjolfsson, Alex Pentland, Jiaxin Pei
來源：
arXiv - Computers and Society
AI 摘要模型：
/models/gemma-4-26B-A4B-it
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。