同一个模型，token账单差80倍

3500个token，29.2万个token。同一批编程任务，跑在同一个模型上，外面那层工具一换，开销就差出80多倍。

我先交代我看到这组数字时的状态。周五晚上翻Composio的基准报告，翻到这行我坐直了。因为我上个月刚给团队的AI编程工具续了费，单价我比过，尺寸我挑过，自认为没花冤枉钱。现在看，我比错东西了。

这事值得每个为AI编程掏过钱的人停下来看五分钟。它跟模型强弱没什么关系，真正的问题是你开销单上的钱，到底花给了谁。

开销是工具吃掉的，模型只是标签

2026年6月有一项独立基准测试。12个Python任务，跑在同一个模型上，走同一个API通道，唯一变量是编程工具本身，就是Claude Code、Codex、Aider、OpenCode这类agent框架。

结果每解决一项任务，token开销从Aider的约3500个一路拉到OpenClaw的约29.2万个。

更扎心的是后半段。换一个完全不相关的模型重跑一遍，排名几乎不动。原来贵的还贵，原来省的还省。

这说明差距的来源压根不在模型智力，在工具软件自己。模型在所有测试里都是同一个，表现却像换了个物种。

差在哪？主要是一笔隐藏开销，研究人员给它起了个名字叫启动税。

工具每次替你干活，开工前要先把自己的系统提示词、工具说明书、环境配置打包发过去。Aider带的行李约700个token，OpenClaw带约2.6万个。

你要是觉得这钱一次付清也就认了，坏就坏在它是每轮对话都重发一遍。一个每轮拖着2.6万token行李的工具连跑15轮，光这些脚手架就烧掉约39万个输入token，真正的活儿还没开干。

研究人员算了笔公式，启动税乘以轮数，基本就能预测你的总开销，两个模型上拟合优度都是0.99。你的钱在动手之前就已经被机票和托运费分掉了。

第二个坑更深，藏在计费方式里

第二个发现比启动税更隐蔽，也更值钱。

同样的任务量，有的工具实际付的钱反而更少，靠的是缓存。

Composio的测试里，Codex大约70%的输入token走了缓存，缓存读取的价钱约为原价的十分之一。Claude Code只有1.5%。

新输入的价格约是缓存读取的5倍。于是出现了怪事，Codex计费的token总量比Claude Code还多一倍，落到结算单上的钱反而更少。

Composio还给出另一组数字。八个工具跑30个企业工作流，每解决一个任务的开销从Pi Agent的0.028美元到Claude Code的0.195美元，差着7倍。DeepAgents的通过率和Claude Code完全一致，单次成功的开销只要它的四分之一。

通过率呢？差距只有20个百分点，46.7%到66.7%。开销差的是倍数，质量差的是零头。

最气人的一组对照，四个开销档位完全不同的工具跑同一批任务，全都只解出10个里的1个。贵的那位没多干一件活。

有人会反驳，贵有贵的道理，更难的活上总能值回票价吧。这项测试专门看过这一点，agent那套反复看、动手、检查、再来的循环，在生代码和跨文件改动上确实帮大忙，可在小修改上基本是原地打转反复确认。开销翻着倍地涨，解决率原地踏步，这两条曲线早就分家了。

我的判断是，agent工具这层很快会卷出透明的成本披露，就像云厂商后来都学会了公开单价和折扣模型。在那之前，信息差就是纯利润，归平台收。

顺带说一句根因。Claude Code缓存命中率那么低，问题出在它的通信路径，它走的是另一种API协议，中转翻译的环节把缓存打碎了。同样的活儿，换条路走，价钱就变了。

看完这堆数据，我把我们那套AI编程的用法改了两处，你直接抄。

第一，评估编程工具别再看单价表。去看两个数，它每轮固定发多少token，典型任务要跑多少轮。乘一下，开销的大头就现形了。

第二，先查缓存命中率，再谈换模型。命中率差10倍，比任何模型之间的差价都狠。

我拿自己开的刀。我翻了团队的用量明细，缓存命中那栏不到一成，行李费交在哪一目了然。

这两个数去哪里查？工具文档里一般写着系统提示词的规模。再跑一个已知答案的小任务，把返回的用量明细拉出来，缓存读取占几成，一眼就能看穿。十分钟的事，省下的可能是下个季度一半的工具开销。

我做零售IT那些年见过一模一样的事。当年比价收银系统，A家软件license便宜，B家贵三成，年底一结算B家反而省。A家每个门店要单独部署一套服务器，B家走中央机房。软件的报价单从来不等于总拥有成本，这道理在2026年的AI工具上原样重演，连剧本都懒得换。

最后留一个问题给你。你手里那个AI编程订阅，它每轮开工前往模型那边寄多大一个行李，你知道吗？

不知道的话，这份开销单里最贵的那一行，可能跟模型的聪明程度一点关系都没有。