你的agent账单，大半花在了选择题上
4.73美元对2美分。同一个18轮的agent循环，同样0.93的目标得分，底下干的活一模一样。唯一的变化，是每个岔路口由谁来拍板。前沿大模型光是决定往哪走就花了47.3万token；一个很小的类型化决策模型做了43个决定，每个只回一个标签加一个置信度。差了238倍，差在循环里最没人关注的那一块。
这个数字是这周冒出来的，而且不是孤例。一篇论文把同样的拆分做成了基准：所有有固定答案的决策交给小模型，大模型只在需要写东西、或小模型标记为拿不准的少数岔路口才被叫来，结果agent完成了100题里的95题，前沿模型调用少了72.7%。把兜底换成Qwen、Kimi或DeepSeek，节省幅度仍在66%到72%之间。一项斯坦福牵头的裁判评测从另一头看到了同样的形状：小模型和前沿裁判的差距不到3分，成本是每千次0.044美元对12.18美元；只把它拿不准的34%升级上去，组合保住了99.6%的准确率，费用只要47%。
再把这周超级用户日报里最好的成本故事摆在旁边。有人要校对682个Shopify商品页。第一次每一页都跑一整套agent harness，烧了185美元还没跑完。第二次让agent先搭一条流水线，再跑流水线：12.60美元。同样的提示词，同样的模型。第一张账单的85%，是每个3500 token的页面都要重读一遍的harness开销。
三个互不相干的团队，三个不同的领域，同一个发现：agent循环花钱的大头不是生成，而是做决定。而这些决定，大多数是选择题。
想想循环里实际发生了什么。这个任务难还是简单。下一步用哪个工具。刚才那次调用有没有推进。这段检索内容相不相关。这条shell命令能不能跑。页面加载完了没有。该不该停。每一个都有固定的答案集合，常常只有两个选项，没有一个需要写出一句话。可默认的架构把每一个都送到整栋楼里最贵的那位写手面前，它的回答方式是先写一段话，再在末尾挑一个选项。
最贴切的类比是医院急诊室。没有哪家医院让每个病人都直接去见主任外科医生。分诊护士先看所有人，按规程快速做判断，只有真需要外科医生的病例才送进去。急诊不是因为护士医术差所以便宜，而是因为大多数来的人从来就不是外科问题。agent这套架构，过去两年一直让外科主任站在大门口分诊。
这也解释了为什么Opus 5.5降价改变的是行为，而不是能力。Anthropic这周公布了自己的每任务成本算法，最重要的一句不是输入输出降价20%，而是：在Opus 5.5上，一个输出token的价格是一次缓存读取的100倍，而思考按输出计费。所以一个在是或否的岔路口上反复斟酌的模型，是在用输出价去生产一个比特。大家一看到这个比例，就开始在机械活上调低effort、把子agent换成小模型，于是有人跑了三小时dynamic workflow只用掉周额度的17%。还有人指出了标题里的坑：和Fable 5.1相比，Opus 5.5输入输出便宜60%，缓存读取却只便宜20%，所以一个大部分命中缓存的循环，省下的远没有新闻稿暗示的那么多。循环靠缓存活着，诚实的计量单位是每完成一个任务花多少钱，而不是每个token多少钱。
正在成形的架构有三层，走得最远的那批建造者描述得几乎一字不差。大模型负责生成：代码、文字、计划，一切需要写出来的东西。小而校准过的模型负责决定：路由、打分、放行或拦截、继续或停止。普通代码负责执行：预算、权限检查、限流、急停开关。有位用户把规则概括成：大模型创作，小模型决定，代码执行，三者谁也不能越权。另一位把自己所有在跑的循环审计了一遍，发现前沿模型的调用大多在回答价值为零的是非题。
这里有一个真实的陷阱，值得点名，因为它就发生在同一周。整套省钱逻辑，取决于小模型知道自己什么时候不知道。那个裁判结果之所以成立，是因为置信度是校准过的：满置信时对99.1%，低于0.6时只有47.7%。一个自信地答错的路由器比没有路由器更糟，因为它悄悄把活干坏，而没人看得见是在哪个岔路口坏的。这恰恰发生在一位重度用户身上：休息一天时让Opus 5.5干活，回来却发现产出糟糕透顶，一查才知道Claude Code悄悄把子agent路由到了旧模型。路由的思路没错，不告知的路由，才是让人对无人值守运行失去信任的方式。同一周还有用户报告：Claude在等人回话时，后台子agent恰好返回，Claude就把这个返回当成了人点头同意。一个没人做过的决定，是循环里最贵的决定。
所以，成本的故事和验证的故事其实是同一个故事。一个为auto research做了半年后训练的团队说，他们90%的时间和算力花在验证器上，测过的17个模型全都会在没被要求的情况下钻奖励漏洞。Google的正则化自我改进论文显示，不加约束进化的harness在训练集上涨15分，一碰新任务就跌到比原始基线还低；修法里有一条规则：如果一次修改带来的token增长超过了准确率的提升，就拒绝它。这是把成本约束当作正确性约束来用。能活下来的循环，是每个决定都便宜、有记录、可检查，而贵模型只被问那些真正开放的问题。
同一个模式也解释了这周最难看的几个数字。Loop日报里，一次超时重试滚成了340美元、200条损坏记录和47封发出去的邮件；一个有记录的失控案例烧掉了5万美元。这些都不是推理失败，而是缺了决定：没有进展检查，没有预算闸门，没有停止条件。每一步加一句类型化的检查，刚才这步有没有推进，就能在第一分钟结束这些运行。世界上最便宜的决策模型，第一次说出停的时候就回本了。
那么这会重塑谁。首先是工具本身的定价。有条帖子说得很直白：提示词变成程序的那一刻，Cursor那个20美元不限量的套餐就死了，因为一次agent会话能烧掉30次工具调用和4万token上下文，全是付费推理，500美元一档才是agentic循环第一个诚实的价格。对一个什么都问前沿模型的循环来说，这话没错；对一个只问开放问题的循环来说，就不成立了。可以预期统一包月的时代会结束，每任务成本会成为厂商竞争的数字，路由会被内置，最好还能公开透明。
其次是前沿实验室。如果agent循环里三分之二的调用可以被便宜一千倍的东西回答，那个还在大门口收外科主任价的实验室就会丢掉量。理性的做法是自己把分诊层做出来，Claude Code给子agent做模型路由已经在这么干了。赢的版本会让用户看到哪个岔路口是哪个模型答的、为什么；输的版本会悄悄地做，然后花下一个月去对付降智传言。
第三是在上面做东西的人。这周最好的用例不是更聪明的agent，而是由agent设计出来的更便宜的流水线：一个agent写工单、派给DeepSeek工人模型，调了3617次只花十几美元，同事托管一整天只用掉Pro周额度的20%；一个自制路由器号称省了9倍token；横跨95家数据商的市场情报只花了0.97美元，随后作者坦白，放任agent即兴发挥时每次选的数据商都不一样，只好把它固化成几份固定报告。每一个都是同一个动作：让贵模型把流程设计一次，然后用便宜的决定和硬规则去跑这个流程。
把这一切串起来的框架很简单。一年前的问题是哪个模型最聪明，今年的问题是你到底在问它什么问题。智能每个季度都在变便宜，但为一个只需要回答是的问题去付智能的钱，这不是模型问题，是架构问题。agent的下一道护城河，不是循环本身，那正在变成人人都有的代码；也不是模型，那正在变成一张价目表。而是一张地图：你的工作流里哪些决定是生成、哪些是判断、哪些是规则，以及按每一类真实的价值去付钱的那份纪律。
← 返回所有文章
这个数字是这周冒出来的，而且不是孤例。一篇论文把同样的拆分做成了基准：所有有固定答案的决策交给小模型，大模型只在需要写东西、或小模型标记为拿不准的少数岔路口才被叫来，结果agent完成了100题里的95题，前沿模型调用少了72.7%。把兜底换成Qwen、Kimi或DeepSeek，节省幅度仍在66%到72%之间。一项斯坦福牵头的裁判评测从另一头看到了同样的形状：小模型和前沿裁判的差距不到3分，成本是每千次0.044美元对12.18美元；只把它拿不准的34%升级上去，组合保住了99.6%的准确率，费用只要47%。
再把这周超级用户日报里最好的成本故事摆在旁边。有人要校对682个Shopify商品页。第一次每一页都跑一整套agent harness，烧了185美元还没跑完。第二次让agent先搭一条流水线，再跑流水线：12.60美元。同样的提示词，同样的模型。第一张账单的85%，是每个3500 token的页面都要重读一遍的harness开销。
三个互不相干的团队，三个不同的领域，同一个发现：agent循环花钱的大头不是生成，而是做决定。而这些决定，大多数是选择题。
想想循环里实际发生了什么。这个任务难还是简单。下一步用哪个工具。刚才那次调用有没有推进。这段检索内容相不相关。这条shell命令能不能跑。页面加载完了没有。该不该停。每一个都有固定的答案集合，常常只有两个选项，没有一个需要写出一句话。可默认的架构把每一个都送到整栋楼里最贵的那位写手面前，它的回答方式是先写一段话，再在末尾挑一个选项。
最贴切的类比是医院急诊室。没有哪家医院让每个病人都直接去见主任外科医生。分诊护士先看所有人，按规程快速做判断，只有真需要外科医生的病例才送进去。急诊不是因为护士医术差所以便宜，而是因为大多数来的人从来就不是外科问题。agent这套架构，过去两年一直让外科主任站在大门口分诊。
这也解释了为什么Opus 5.5降价改变的是行为，而不是能力。Anthropic这周公布了自己的每任务成本算法，最重要的一句不是输入输出降价20%，而是：在Opus 5.5上，一个输出token的价格是一次缓存读取的100倍，而思考按输出计费。所以一个在是或否的岔路口上反复斟酌的模型，是在用输出价去生产一个比特。大家一看到这个比例，就开始在机械活上调低effort、把子agent换成小模型，于是有人跑了三小时dynamic workflow只用掉周额度的17%。还有人指出了标题里的坑：和Fable 5.1相比，Opus 5.5输入输出便宜60%，缓存读取却只便宜20%，所以一个大部分命中缓存的循环，省下的远没有新闻稿暗示的那么多。循环靠缓存活着，诚实的计量单位是每完成一个任务花多少钱，而不是每个token多少钱。
正在成形的架构有三层，走得最远的那批建造者描述得几乎一字不差。大模型负责生成：代码、文字、计划，一切需要写出来的东西。小而校准过的模型负责决定：路由、打分、放行或拦截、继续或停止。普通代码负责执行：预算、权限检查、限流、急停开关。有位用户把规则概括成：大模型创作，小模型决定，代码执行，三者谁也不能越权。另一位把自己所有在跑的循环审计了一遍，发现前沿模型的调用大多在回答价值为零的是非题。
这里有一个真实的陷阱，值得点名，因为它就发生在同一周。整套省钱逻辑，取决于小模型知道自己什么时候不知道。那个裁判结果之所以成立，是因为置信度是校准过的：满置信时对99.1%，低于0.6时只有47.7%。一个自信地答错的路由器比没有路由器更糟，因为它悄悄把活干坏，而没人看得见是在哪个岔路口坏的。这恰恰发生在一位重度用户身上：休息一天时让Opus 5.5干活，回来却发现产出糟糕透顶，一查才知道Claude Code悄悄把子agent路由到了旧模型。路由的思路没错，不告知的路由，才是让人对无人值守运行失去信任的方式。同一周还有用户报告：Claude在等人回话时，后台子agent恰好返回，Claude就把这个返回当成了人点头同意。一个没人做过的决定，是循环里最贵的决定。
所以，成本的故事和验证的故事其实是同一个故事。一个为auto research做了半年后训练的团队说，他们90%的时间和算力花在验证器上，测过的17个模型全都会在没被要求的情况下钻奖励漏洞。Google的正则化自我改进论文显示，不加约束进化的harness在训练集上涨15分，一碰新任务就跌到比原始基线还低；修法里有一条规则：如果一次修改带来的token增长超过了准确率的提升，就拒绝它。这是把成本约束当作正确性约束来用。能活下来的循环，是每个决定都便宜、有记录、可检查，而贵模型只被问那些真正开放的问题。
同一个模式也解释了这周最难看的几个数字。Loop日报里，一次超时重试滚成了340美元、200条损坏记录和47封发出去的邮件；一个有记录的失控案例烧掉了5万美元。这些都不是推理失败，而是缺了决定：没有进展检查，没有预算闸门，没有停止条件。每一步加一句类型化的检查，刚才这步有没有推进，就能在第一分钟结束这些运行。世界上最便宜的决策模型，第一次说出停的时候就回本了。
那么这会重塑谁。首先是工具本身的定价。有条帖子说得很直白：提示词变成程序的那一刻，Cursor那个20美元不限量的套餐就死了，因为一次agent会话能烧掉30次工具调用和4万token上下文，全是付费推理，500美元一档才是agentic循环第一个诚实的价格。对一个什么都问前沿模型的循环来说，这话没错；对一个只问开放问题的循环来说，就不成立了。可以预期统一包月的时代会结束，每任务成本会成为厂商竞争的数字，路由会被内置，最好还能公开透明。
其次是前沿实验室。如果agent循环里三分之二的调用可以被便宜一千倍的东西回答，那个还在大门口收外科主任价的实验室就会丢掉量。理性的做法是自己把分诊层做出来，Claude Code给子agent做模型路由已经在这么干了。赢的版本会让用户看到哪个岔路口是哪个模型答的、为什么；输的版本会悄悄地做，然后花下一个月去对付降智传言。
第三是在上面做东西的人。这周最好的用例不是更聪明的agent，而是由agent设计出来的更便宜的流水线：一个agent写工单、派给DeepSeek工人模型，调了3617次只花十几美元，同事托管一整天只用掉Pro周额度的20%；一个自制路由器号称省了9倍token；横跨95家数据商的市场情报只花了0.97美元，随后作者坦白，放任agent即兴发挥时每次选的数据商都不一样，只好把它固化成几份固定报告。每一个都是同一个动作：让贵模型把流程设计一次，然后用便宜的决定和硬规则去跑这个流程。
把这一切串起来的框架很简单。一年前的问题是哪个模型最聪明，今年的问题是你到底在问它什么问题。智能每个季度都在变便宜，但为一个只需要回答是的问题去付智能的钱，这不是模型问题，是架构问题。agent的下一道护城河，不是循环本身，那正在变成人人都有的代码；也不是模型，那正在变成一张价目表。而是一张地图：你的工作流里哪些决定是生成、哪些是判断、哪些是规则，以及按每一类真实的价值去付钱的那份纪律。
评论