ARTICLE · 1255739
同一个AI账单差3倍!编程助手的冤枉钱咋省?
你每月花在 AI 编程助手上的钱，可能有三分之二买的不是智能，是"包装盒"。
这不是标题党。山东大学团队做了一个很轴的实验：把同一个 AI 模型塞进三个不同的编程外壳里跑近 500 个真实编程任务，结果准确率几乎没区别，单次账单最多差 3 倍。 论文 10月3日挂上 arXiv，10月25日经 VentureBeat 报道后在开发者圈里传开——我看完的第一反应是，这钱很多人正在不知不觉地多花。
今天这篇不讲概念，就讲清楚一件事：这个"包装盒"是什么，以及你怎么把冤枉钱省回来。
一、包装盒是什么：模型之外的所有东西，都叫缰绳
先说结论：你用 Claude Code、Cursor、各种 AI 编程插件时，真正答题的 AI 大脑可能完全一样，区别在套在外面的那层东西。
这层东西英文叫 harness（缰绳/挽具），包括：
开场塞给模型的那一大段系统提示词（"你是一个资深工程师……"）； 挂给它的工具清单——读文件、跑命令、搜代码，每个工具都带一大段使用说明； 上下文怎么管理——聊到第 50 轮，前面的记录是精简还是原样重发。
模型是马，缰绳是骑手装备。厂商每次更新，最爱宣传的就是"新缰绳让通过率涨了 2.4 个点"。但问题是：这 2.4 个点到底是缰绳的功劳，还是这次跑的时候运气好？ 以前没人认真量过。
二、实验怎么做的：同一匹马，换三副鞍，重跑一遍
山大团队的办法很朴素（论文标题就叫《What Does a Harness Buy? Tokens, Mostly》——缰绳买到了什么？主要是 token）：
三个生产级缰绳：最重的 Claude Code、中等的 OpenCode、最瘦的 mini-SWE-agent——后者用大约 100 行 Python 写成，只给模型一个命令行工具，不做任何上下文压缩； 五个模型：本地跑的 Qwen 两款开源模型，加三个 API 模型（DeepSeek V4 Flash、GLM-5.3-Flash、HY4-Preview），还请了 Claude Opus 5 当高分锚点； 492 个任务，来自业界公认的 SWE-bench Verified 题库，其中 45 个是最难的"人类要修 1 到 4 小时"级别； 关键动作：同样的配置重复跑，用来量"什么都不改，分数自己会抖多少"。
他们还顺手抓了个作弊现场：早期联网测试里，439 次尝试中有 312 次（71%） 模型直接从 GitHub 上捞到了人类写好的原题补丁。这些成绩全部作废，最终测试断网进行。
71% 的"AI 自己修好了 bug"，其实是偷偷翻到了标准答案。你以后看跑分新闻，先问一句：联网了吗？
三、核心发现：分数没差，账单差3倍
三组结果，一个比一个反常识。
发现一：最豪华和最寒酸的缰绳，成绩统计上等价。 在 447 个任务上，Claude Code 和 mini-SWE-agent 跑同一个 Qwen 模型，通过率差距在 2 个点以内，落在 5 个点的误差带里，算平手。
发现二：换缰绳和瞎重跑，折腾程度一样。 45 个难题上，换一副缰绳会让约 13% 的题目在"过/不过"之间翻转；但什么都不改、原样再跑一遍，翻转率也是 13%。而且这一回缰绳 A 能修好的题，下一回修好的往往不是同一批。
说白了，厂商宣传的"换我们家缰绳涨 2 到 3 分"，大概率淹没在正常抖动里。论文里有句话挺扎心：
"A vendor's own harness on its own model buys no score advantage." （厂商自家的缰绳配自家的模型，一分钱的分数优势都没买到。）
发现三：钱是真金白银地差。 同一个 GLM-5.3-Flash 模型，Claude Code 里跑一次的花费接近 mini-SWE-agent 的 2 倍、OpenCode 的 3 倍多。DeepSeek 自己的官方命令行配自家模型，成绩没更好，单次成本反而是同模型所有组合里最高的。
四、钱花在了哪：第一句开场白就决定了账单
研究者把账单拆开看，发现差距从第一轮对话就注定了。
三个缰绳第一次请求发出的固定内容，体积天差地别：
Claude Code：16,581 个 token 的系统提示词加工具说明； OpenCode：7,025 个； mini-SWE-agent：829 个。
差 20 倍。而智能体每走一步都要把对话记录重新发一遍，开场白越胖，后面每一步都在为这块赘肉付费。论文作者的结论是：
"What separates the harnesses' per-step weight is their own text, not the repository's." （各缰绳每一步的体重差异，来自它们自己塞的话，不是你的代码库。）
这不是孤证。加州大学伯克利分校 Sky Computing 实验室和 Arena 做过的 HarnessTax 研究测了七个模型、三副缰绳，结论一致：分数只差几个点，成本最多差 5 倍；Claude Code 的首轮开场白平均是极简缰绳 Pi 的 10 倍以上。
五、跟你的钱和工作有什么关系
这事对普通人有三层影响，一层比一层近。
第一层：API 按量付费的人，账单正在被缰绳偷钱。 如果你或你公司用 API 跑编程智能体，选什么外壳直接决定预算。同一个模型换个精简缰绳，活干得一样好，账单可能直接砍到三分之一。
第二层：订阅会员也别觉得事不关己。 你交的是固定月费，但厂商的成本会传导：额度为什么越给越紧、贵档位为什么存在，背后都是这笔 token 账。理解了缰绳税，你就理解为什么各家额度规则每月都在变。
第三层：企业的钱可能根本没人看着。 VentureBeat Intelligence 今年 9 月调查了 107 家在用智能体平台的企业，其中 23 家（21%）没有任何自动化手段能拦住 Agent 烧 token。五分之一的公司，AI 花钱是不设刹车的。
再补一个很多人没意识到的点：智能体和聊天机器人不一样。你问 ChatGPT 一句话，它答一轮就结束；编程智能体修一个 bug，可能自己跑几十轮——读文件、跑测试、改代码、再跑测试，每一轮都把前面所有记录重新发一遍。缰绳的开场白胖 20 倍，乘以几十轮，再乘以你每天让它修的十几个 bug，这就是为什么同样"感觉没多用"，月底账单能差出几倍。
六、你能怎么办：五条可以直接抄的省钱动作
不管你用哪家编程助手，这五条本周就能做：
- 同一件小事跑两次再下结论。
看任何"XX 助手通过率第一"的跑分，记住 13% 的题随便重跑都会翻转；单次跑分差 2-3 个点，当噪音处理。 - 按任务肥瘦选缰绳。
改个错别字、加个小函数这类轻活，用带精简模式的客户端或便宜小模型；只有啃多文件大重构时才上豪华缰绳+旗舰模型。 - 关掉用不上的工具清单。
很多客户端允许自定义系统提示和工具权限，把你永远用不到的 MCP、浏览器、邮件工具摘掉——第一轮瘦身，每一步都省钱。 - 设费用告警和 token 上限。
API 用户务必打开用量预警（按天、按项目设硬上限）；个人会员用各档 App 里的额度面板，每周看一次"哪类任务最烧钱"。 - 定期开新会话。
长对话每一步都在重发全部历史，一个任务一个新会话，配合 AGENTS.md 这类精简项目说明，比一个超长会话聊到底便宜得多。
讲真，我自己写完这篇就去翻了 API 账单，发现上个月有近三成消耗来自一个挂了十几个工具、但我只用过其中两个的项目。这个税，交得确实冤。
写在最后：
写在最后：AI 编程的竞争正在从"谁的模型更聪明"转向"谁不浪费你的钱"。模型一样聪明的时代，会省钱的人，才是真正把 AI 用顺手的人。
你每月给 AI 编程工具交多少钱？有没有遇到过额度莫名其妙就烧光的情况？评论区聊聊，我帮你看看可能是哪个环节在漏钱。
👇觉得有用，转给你身边写代码、或者公司正在采购 AI 编程工具的朋友——这条能直接帮他们砍预算。
关注我，新模型新工具我第一时间帮你实测踩坑、算清账，把 AI 真正用顺手。
信源说明：核心数据来自 arXiv:2610.04433《What Does a Harness Buy? Tokens, Mostly》（山东大学，2026年10月3日提交，代码与数据已开源）、VentureBeat 2026年10月25日报道、伯克利 Sky Computing 实验室与 Arena 的 HarnessTax 研究，以及 VentureBeat Intelligence 2026年9月企业调查。跑分数据多为厂商或论文实验条件下的结果，实际使用会有差异，请以自己的账单为准。
