人工智能代理如何花钱？分析和预测代理编码任务中的词元消耗

人工智能代理在复杂的人类工作流程中的广泛采用正在推动 LLM 词元消费的快速增长。当将代理部署到需要大量词元的任务时，自然会出现三个问题：（1）人工智能代理将词元花在哪里？ (2) 哪些模型的词元效率更高？ (3) 代理可以在任务执行之前预测其词元使用情况吗？在本文中，我们首次系统地研究了代理编码任务中的词元消耗模式。我们在 SWE-bench Verified 上分析了来自八个前沿 LLM 的轨迹，并评估模型在任务执行之前预测其自身词元成本的能力。我们发现：（1）代理任务的成本特别高，消耗的词元比代码推理和代码聊天多 1000 倍，其中输入词元而不是输出词元驱动了总体成本； (2) 词元使用情况高度可变且本质上是随机的：同一任务上的运行词元总数可能相差 30 倍，并且较高的词元使用量并不意味着较高的准确性；相反，准确性通常在中等成本时达到峰值，并在较高成本时达到饱和； (3) 模型的词元效率差异很大：在相同的任务上，Kimi-K2 和 Claude-Sonnet-4.5 平均比 GPT-5 多消耗超过 150 万个词元； (4) 人类专家评估的任务难度与实际词元成本的一致性很弱，揭示了人类感知的复杂性与代理实际花费的计算量之间的根本差距； (5) 前沿模型无法准确预测自己的词元使用情况（相关性为弱到中等，最高 0.39），并且系统性地低估了实际词元成本。我们的研究为人工智能代理的经济学提供了新的见解，并可以启发该方向的未来研究。