你的 AI 助手,自己都不知道下一分钟要烧多少 Token

从你按下回车的那一刻，它就拿到了一张空白支票。等它跑完任务，才知道上面要填多大的数。除非，你学会了这种驾驭它的方法。

01 问题

从最近的三个新闻说起：

微软砍掉了大部分员工的 Claude Code 许可，因为重度用户月均烧掉 500 到 2000 美元，预算包不住了。

Uber 的年度 AI 编程预算，四个月烧光。CTO 承认，内部排行榜激励大家疯狂堆 token，没人关心产出。

有个叫半躺码农的博主（没错，就是本人），在自己的公众号里吐槽阿里的 Token Plan 算得都是糊涂账。

这三个新闻都在提 AI 的算力成本，可这玩意儿真的很难评估。大厂算不清，小人也算不清，就连你自己的 AI 助手，它自己也算不清。

一个命令究竟要烧掉多少 token？

02 现实

传统软件的费用是可预期的。比如买个正版 Office，买个 Photoshop，一笔买卖，一次交易。

即使是在前 AI 时代的各种订阅，比如买个视频会员，升级个 Office 365 账户等，一个月花多少钱也是固定的。

甚至那些已经看不太清楚的各种云资源，存储，内存，CPU 时长等，也有个标准，也有个价格，也能做预算。

但 AI Agent 不一样。

你给它一个指令：“帮我修一下这个 bug。”

然后它开始干活了。读一遍代码，跑测试，发现问题，改代码，再跑测试，又发现新问题，再改，再跑……

每一步都在调用模型，每一次调用都在消耗 token，每一次的 token 都不知道是多少，更何况还有输入输出的差别，还有缓存的折扣，还有多模态的不同定价，而且你还没法中途停止……

总之，从你按下回车的那一刻，你就给它开了一张空白支票，必须到任务跑完，它才知道最后会在上面填多大的数。

这就是现在用 AI 编程的现状，也是几乎所有用 AI Agent 干活的现状。

03 原因

更有意思的是，这个“不可预测”的程度，取决于你给 AI 配了多少个装备，配了什么样的装备。

一个写得不好的 Skill，会让 AI 反复读文件、反复确认、反复执行不必要的步骤。同一个需求，token 消耗可以差出好几倍。

给 AI 配了一堆 MCP，浏览器，日志，插图，总结等等，看起来很强大。但每次 AI 收到的 Prompt 也会包含大量的 MCP 信息，毕竟只有 Agent 把这些信息告诉模型，模型才能决定要不要用它们。

装备越多，AI 的选择也越多。选择越多，决策路径越长。现在的 AI 都很聪明，一个工具不行，它会尝试另一种工具；一种方法没有解决你的问题，它会把状态还原回来，再尝试另一种方法。

这也不能说是 Skill 或 MCP 本身的问题。只是在 Agent 模式下，聪明的 AI 会在运行时动态作出下一步的决策，而每一步决策都需要成本，每一次工具调用也可能增加 token 用量。

聪明的 AI，会让你的账单配得上它的聪明。

04 本质

所以，现在大家都有点儿发愁费用的问题。

大厂在控制预算，因为几千人的 Agent 同时在跑，token 如流水一般。大厂也不再鼓励员工烧 token 了。

个人在焦虑余额，平台计费不透明加上 Skill 层出不穷，自己的 Agent 成了一个 token 黑洞。低价套餐不够用，高价套餐用不起。

而处于漩涡中心的 AI Agent，也难以找到好用和省钱的平衡点。它的应用模式决定了它的不可预测性。就像人类在面临一个未知答案的问题时，也很难预算究竟需要花多长时间。

这里说的未知答案的问题，是指整个人类都还不知道怎么解决的问题，需要实验、试错、研究，比如攻克一种疾病、找到某种宇宙规律等。

它不同于那种人类已经知道怎么做，能拆成明确步骤的问题，比如部署一个服务，组装一架飞机，建一座摩天大楼。

真正需要 Agent 自主决策的任务，大多是这种未知答案的问题。

为什么这么说呢？因为那些步骤固定、规则明确的问题，传统软件就能解决，成本也可预期。如果我们没有把问题的解法封装成 AI 能直接调用的固定流程，而是直接让它解决，它就只能从零开始推理，把一个人类本来已知的问题，重新探索一遍。

例如，如果你不告诉它这个错误码已经在文档里写明了原因，它可能去翻源码、翻历史提交、翻测试用例，绕一大圈才找到答案。

例如，如果你不告诉它可以调用 API 获取天气，而它恰好有个能访问卫星图像的工具，它可能真的会去分析卫星云图。

05 驾驭

如果你跟着我的节奏读到了这里，恐怕已经对控制 AI 成本失去了信心。

这很正常。因为如今的大语言模型是从神经网络发展而来的，而神经网络最初是受大脑工作方式启发而发展起来的。让你设计一个对付三体舰队的武器，你能预算出花多少脑细胞吗？

AI 也不能。

所以我们的问题不应该是让 AI 解决这样的问题，而是充分发挥我们人类的智慧，把没答案的问题转换成有答案的问题，把问题的解法封装成 AI 能调用的工具。

最后，让 AI 在我们的问题框架内推理和分析。

给它明确需求，提供有限的 skill 和 mcp，让它执行脚本或调用已有的工具，限制 Agent 与模型的交互次数。

比起给 AI 准备丰富的装备，不如好好考虑应该让它做什么样的事，如何做事，让它把解决方案限制在“有答案的问题”里。

在 AI 还没有人类这般智慧的前提下，上面这个问题值得好好研究，其难度也值得动用人类的智慧。