今天（9月14日），36氪和华尔街见闻同时挂出了一篇把AI圈和打工圈都点名的文章，标题里一个新词被正式命名：上下文税。文章开头拿1951年丰田的"创意提案制度"作比喻——现在一些企业在要求员工做相似的事，只不过交出去的不是改进建议，是你的工作经验：整理知识库、编写提示词和Skill、录入判断逻辑、校验AI输出。36氪
但在用惯Agent的人眼里，这个词一点都不新：5月就有人算过"随手一问，AI把整个项目重新读上五十遍"的账；7月14日Hacker News热帖把Claude Code的上下文税量化；8月17日有人写了个插件，让一句"嗯，继续"的税单现形；8月18日DeepSeek缓存涨价11倍，被叫做"存储税"。财经媒体说的"为AI交经验"，和我们账单上的"为上下文交钱"，是同名不同税。
一个词撞进两个世界，恰好是提效党把账一次对清的机会。三本账：钱的、产能的、护城河的。
第一本：账单税——你的句子不值钱，你的上下文值钱
先科普一个很多轻度用户不知道的计费事实：API的输入token ≠ 你这句话的长度，而是你发过去的整个对话历史+系统提示词+工具定义。当你在Cursor或Claude Code里随手一问，系统为了"保险"往往会把整个仓库的文件全塞进上下文——你以为在让AI帮你修Bug，实际上你是在付钱让它把整个项目重新读上五十遍。8月17日知乎用户"太空铁"算过一笔账：在一个30万token的会话里随口问一句"嗯，继续"，这一句就按30万token的输入计费；带着大上下文连问20个简单问题，输出加起来不到2000 token，95%的钱花在"把上下文再送一遍"上。微博知乎
而且它不预告：模型不会在回答前告诉你这次请求携带了多大的输入，你只看得到余额在掉。一个微博用户8月28日复盘自己搭本地系统的消耗：原始单一会话烧了9亿token，新开页面继承任务又烧8亿，合计17亿token，大头都在重复读取沉没的旧内容。9月11日有人把一次真实的Claude Code重构任务整个拆开：context信号从开局3.38万一路增长，最高到了59.6万。中途退出重连，两次cold call就产生了327,741个全新输入token——会话断一次，等于把攒下的缓存重新买一遍票。微博知乎
除了会话滚雪球，还有两笔更隐蔽的税。启动人头税：测评机构Systima今年7月实测，模型还没看到你的任务，各家编码Agent光加载系统提示词和工具定义的固定开销——Claude Code约3.28万token（其中约2.4万是工具定义）、OpenCode约6900、极简的Pi不到1000。更要命的是，AGENTS.md、MCP服务器、subagent不是往这个数上做加法，而是随每次请求乘法式放大——不是加法，而是乘法。一次跨多文件的复杂任务轻松突破10万token；同期有统计称，同一个任务不同工具的token消耗差可达5倍——比换模型的差价还大。知乎微博
缓存税：8月17日，DeepSeek V4 Pro把最便宜的"缓存命中"价上调——最便宜的缓存命中价格在空闲时段直接涨了5倍，在高峰时期竟然涨了11倍，从0.025元/百万token涨至0.3元/百万token。涨价后它仍是全球性价比最高的选择之一，但规则变狠了：缓存命中要求前缀完全匹配，差一个字符就触发不了命中——时间戳、用户ID、随机参数放在prompt开头，每轮第一个字符一变，后面几十万token的缓存全部白存；把工具返回结果插到对话中间，直接打断后续缓存边界。Anthropic的做法是让你先掏钱：首次写入缓存收1.25倍或2倍溢价，用贵来逼你优化。太空铁的插件实测了真实体感：同一会话连续追问命中率99%很便宜，一旦切模型、改参数、开新会话重贴资料，命中率瞬间归零，单价差20倍。知乎知乎
顺带一个计费冷知识：一次请求在GPU上分预填充和解码两个阶段，输出token要一个一个往外吐，单价通常是输入token的5倍左右——所以真正该省的从来不是答案的长度，而是每一次请求背着的上下文。知乎
降税动作（对账单）：
问问题先给范围：同样是修一个坏测试，直接说"哪个测试失败、在哪个文件"，几轮就结束；只说一句"测试挂了"，Agent得先全仓库搜索、打开一堆文件绕一大圈。Anthropic官方博客的对比案例里，左边会话读2个目标文件发5次请求，右边会话先搜索仓库再陆续打开文件，发了18次请求。前面搜到的无关内容还会在后面每一轮继续被带上计费；知乎
简单问题攒一攒一次问完，或让AI先总结压缩再续聊——别为一句"嗯，继续"付30万的账；
prompt结构固定化：全任务共用的热数据放最前，时间戳、随机参数挪到最后——保住前缀就是保住缓存；
新会话不重复粘贴资料，改用会话记忆、文档链接，或先压缩再贴；
盯命中率，别只盯单价：单价是公告，命中率才是你的实际成本；
任务分层路由：架构、安全这种决策成本极高的活给顶级模型，日常实现给性价比模型，格式化给小模型——社区实测这种打法能把一次复杂重构从20美元降到1美元左右。微博
第二本：产能税——每一项功能，都是向模型征收的
如果第一本烧的是钱，这本烧的是产出，而且收税的正是你装的那些"好用功能"。今年8月，Composio做了组对照实验：同一个模型（DeepSeek V4 Flash），装进8个不同的harness（模型和任务之间的那层壳），跑同一批30个任务——通过率从46.7%到66.7%，差了20个百分点，赢的恰恰是只有4个内置工具、系统提示词不到1000token的"简陋"极简派。知乎
名次有争议要如实说：Claude Code负责人公开表示结果与其内部评测对不上，评测方自己也卖MCP工具层、完整评分标准没公开。但Databricks的内部评测和PointFive的独立复现给出了方向一致的结论。撇开排名，被坐实的事实是：同一个模型，换层壳，成绩天差地别；不指明执行框架的模型跑分，参考价值有限。
为什么功能少的反而赢？因为上下文税同时也在"按产能"征收：固定开销在和你真实的代码抢预算，每多一个工具定义，模型看代码的空间就少一块；强制计划模式、强制TODO分解，是壳在替模型做决定，内置假设和实际任务不匹配时，模型被夹在"服从指令"和"解决真实问题"之间；Agent连续改代码时必然处于中间错误态，这时候持续注入的编译报错不反映真实问题，是噪声。
也要说一句公道话：启动税低不等于总税低（横评里极简派的运行时token消耗并不是最低，Claude Code靠批量工具调用也能把总量追平）；而且三条边界成立——模型能力不足时脚手架是刚需；超长周期、多Agent协作的重任务里，子代理编排、持久记忆的收益会回归；权限审批、沙箱这类功能是替用户防模型的，不适用税负逻辑。今天小红书上一条实测帖正好给这本账加了个注脚：有开发者给自家内容Agent做成本治理，固定前缀砍45%、压缩阈值下调、逐链路配最小输入包，三刀下去总token从313万降到102万——砍了67%，端到端却从598秒涨到728秒，反而慢了22%。查日志才发现：写在prompt里的"最多搜3次"这类软约束被模型完全无视，实际搜了20次，每次搜索都是一轮工具往返。作者最后的落点跟这本账一致：降Token的本质不是让模型少说，而是让代码决定喂什么、搜多少次、什么时候压缩——省钱靠纪律，纪律最好写在代码里，别写在提示词里赌它自觉。小红书
降税动作（对产能）：
换工具前先看"固定开销"而不是功能清单——少装一个你从不触发的MCP，就是给每个任务免一笔人头税；
给配置文件做减法：OpenAI 9月12日发布的GPT-6 Astra开发者指南说得很直白——模型变强了，你的AGENTS.md和技能描述文件该"瘦身"了，把模糊的流程引导改成精确触发条件、明确定义"完成状态"；Codex社区已经在卸载此前安装的重型Skill包：“精简化"正在取代"堆砌Skill”；微博
厂商连自己的税都在退：Anthropic工程师公开确认，Claude Code已把系统提示词砍掉约80%，内部编码评测没有可测量的损失。知乎
判断公式记一条：模型每内化一种能力，壳里对应的外置实现就从助力变成干扰——去年教你"分步思考"是增益，今年再教一个把任务分解练过几十万次的模型"请先写个TODO"，就是拿平庸的固定策略去覆盖更强的内生策略。知乎
第三本：劳役税——唯一不开收据的那笔
现在说回今天被命名的这个词。财经媒体口径的上下文税，是另一回事：企业为了让AI聪明，要求员工在本职之外多干一层活——整理知识库、写Skill、录判断逻辑、校验输出——而这层劳动在权利、责任、风险、收益四个维度上全部失衡。这个概念可以往前推一步：上下文税首先是一个组织问题。没人给你开收据。知乎
这篇命名文章里引的数据，值得截图存好：概念出处是今年7月福布斯技术委员会的文章《The Hidden Context Tax That’s Killing Your Enterprise AI Agents》；MIT 2025年《The GenAI Divide》报告显示，约95%的企业生成式AI试点未能产生可衡量的业务回报，仅约5%进入生产环境——障碍不在模型，在上下文和组织。企业AI公司Writer今年4月对美欧2400名知识员工的调查里，29%的受访者承认自己做过破坏公司AI战略的事——私用未经批准的AI工具、拒绝使用指定产品，1997年后出生的年轻人群体中这个比例升到了44%；与此同时，60%的高管表示计划裁减不会或不愿使用AI的员工。44%的人在被要求交税，然后用消极怠工退税。华尔街见闻36氪
员工行为分析平台ActivTrak追踪了2023到2025年超千家企业、4.43亿小时的数字化工作行为数据，结论是：AI落地后，员工的工作量没有减少反而增加了，周末加班增多，协作沟通时长增加34%，多任务处理时间增加12%。上下文税加上纠错税，总税负不降反升。更微妙的是工具厂商的"降税"方向：钉钉把上千项核心能力CLI化、飞书原生支持MCP接入，这类免掉的是"搬运数据"的显性税；但飞书的豆包助手"每日自动抽取工作记忆，沉淀为长期资产"、Anthropic把AI直接部署到Slack频道里——对话本身成为上下文，税变成"无痛"的同时，也变成你感知不到自己在被收。帝国理工与微软研究院的FAccT论文给这个过程起了个学术名：知识萃取主义——系统甚至可以跳过你主动提交的内容，直接从你与系统的交互行为里推断隐性知识，你自己都不知道被记了。华尔街见闻36氪
自保动作（对护城河）：
把要交的上下文分两类：流程性、结构性的（审批记录、CRM字段、SOP，本来就该沉淀）痛快交；判断性、策略性的（客户为什么翻脸、这条款在防谁），交多少、什么时候交，是你的决定，不是KPI的决定；
给公司整理知识库、写Skill，记得留痕：时间戳、版本号、关键节点的贡献记录。现行法对"把一个人十年的谈判经验训练成AI可复用的技能库"这件事没有任何现成条文，议价的前提是你拿得出"我贡献过什么"的证据；
警惕文章里的"老师傅悖论"：真正不可替代的经验往往是编码不进系统的——做了20年的老师傅知道机器声音不对劲，但说不清哪里不对。与其花加班时间把手艺全部录成说明书，不如把AI省下的时间投给新问题：护城河不是被交出去的那部分耗掉的，是你光顾着交税、停止生长耗掉的。
对完三本，只剩一句话
账单税烧钱，产能税烧活，劳役税烧的是你的不可替代性。同一个词今天撞进两个世界，共同点其实只有一个：AI从不主动告诉你，它正在替你记账。前两个税现在有解了——插件能给每轮请求先报价，横评能测出哪层壳税重；第三本税没有收据，只能你自己记。
往后值得盯的信号：DeepSeek的高峰/空闲价差会不会再拉大——"存储税"的方向短期没变，长上下文的成本结构正在从算力转向状态；跟着Astra指南砍提示词和Skill会不会成为厂商标配；以及最实在的一条——你司的知识库征集令，配没配上"贡献分润"那半句话。这一条，才是"上下文税"这场讨论真正的风向标。知乎
