等等，不是人民币，是美元。
上周朋友圈被一张截图刷屏了。OpenClaw的创始人Peter Steinberger（国内开发者叫他"龙虾之父"）在X上晒出了自己的Codex后台——过去30天，他在OpenAI的API消费是130万美元。
130万。美元。
评论区炸了。有人算了一笔账：折合人民币近940万。
我当时的第一反应也是：疯了吧？这钱烧哪儿去了？
后来仔细看了他的帖子，才发现事情没那么简单。
940万都花在哪儿了？
先说结论：Peter说这些钱基本都花在开发OpenClaw上了。
OpenClaw是什么？简单说就是一个能帮你操作电脑的AI Agent。你给它一个任务，它会自己打开浏览器、敲代码、发邮件——就像个真正的数字员工。
这不是什么新概念，但OpenClaw做得好用。Peter本人更是将其打造为一个"无预算限制"的AI辅助开发压力测试实验室。
扯远了，说回Peter的账单。
根据他放出的后台数据以及媒体核对：
- 30天API总费用：1,305,088.81美元
- 消耗Token总量：6030亿
- 请求总数：760万次
- 驱动账单的主力模型：gpt-5.5-2026-04-23
- 单日（5月15日）最高消耗：19,985.84美元，对应190亿token和20.6万次请求
更关键的是：他同时在跑大约100个Agent实例（被形象地称为"100个AI程序员"）。
不是1个，是100个。
多Agent模式：不做超级英雄，做蚂蚁雄兵
这里面有个很有意思的产品思路。
Peter没选择做一个"超级万能Agent"，而是拆成了100个小Agent。每个Agent负责一小块任务：有人Review PR，有人扫漏洞，有人查Issue，有人写修复程序，有人监控性能回归，还有人监听会议然后自动创建PR。
Agent之间互相协作、互相监督。
换句话说，这不是一个人在干活，是一个团队在流水线作业。
我觉得这个思路挺对的。AI Agent最大的问题之一就是"上下文膨胀"——对话一长，token消耗就爆炸，而且模型容易迷失。但如果拆成多个专注的小Agent，每个Agent只处理当前任务，上下文就清爽多了。
当然，代价是请求次数暴增。760万次请求，100个Agent，平均每个Agent每天要处理2万次请求。
这就是成本的来源。
快速模式：效率是用钱烧出来的
Peter也承认，他开的其实是"快速模式"。
为了让100个Agent持续高频协作、快速响应，系统需要维持非常激进的推理调度。简单说就是：不用排队，来了就干，立刻给结果。
这会直接推高token消耗。
他原话是："我可以关闭快速模式，这样成本会降低70%。"
关闭后，每月约40万美元。按今天的汇率，大约272万人民币。
依然是个惊人的数字。
但Peter觉得值。他的逻辑是：把这笔钱和旧金山一个高级工程师的年薪比。
旧金山一个Senior Engineer，年薪加各种福利，50-80万美元很正常。你用这钱能雇几个人？
而这100个Agent，能承担大量重复性的工程劳动：代码Review、安全扫描、Bug检测……这些工作原本需要好几个工程师，现在AI干了。
当然，这个逻辑成立的前提是：产出质量跟得上。
社区吵翻了
Peter的帖子下面，讨论非常激烈。
有人说："Bro，你最好拿出点儿价值百万美元的工程师都做不到的东西，不然这可能就是前沿实验室泡沫破裂的开端。"
也有人说："如果是其他人按实际成本调用这老些token量，价格不敢想不敢想。"
还有人酸："享受的是补贴价格，我的天。"
这些评论我都能理解。说实话，第一次看到130万这个数字，我的反应也是"疯了吧"。
但仔细想想，这其实是个视角问题。
你把AI Agent当工具，和把它当员工，成本逻辑完全不一样。
当工具，用多少付多少，当然觉得130万是天价。
当员工，你是在买"它帮你省下的时间"。一个工程师年薪50万，干一年。130万够养两个工程师不到半年。100个Agent如果真能替代10个工程师的产出，这笔账就另说了。
当然，这里有个前提：这些Agent真的能产出足够高的价值。
我的龙虾体验
我自己也试过养龙虾。
不是那个真的龙虾——是OpenClaw。春节期间，我按照网上的教程部署了一套，配的是Claude Sonnet。
说实话，初期体验挺惊艳的。帮我写了个自动化脚本，还帮我整理了代码仓库。那个下午，我几乎什么都没干，就看着它自己在那儿敲代码。
但用了一周，问题就来了。
首先是成本。我那周大概烧了200多块人民币，轻度使用。不是特别夸张，但比我预期的要高。
其次是"上下文丢失"的问题。任务一复杂，Agent就会迷路，忘记自己上一步做了什么。有时候我让它修复一个Bug，它改完了发现原来那个Bug是测试用的，改回去又改出来，来回折腾。
最后是"权限"的两难。你让它有足够的权限帮你干活，它就有能力搞破坏；你限制太死，它又什么都干不了。
用了一周，我暂停了。后来换了轻量级的方案。
关于成本，我的一些思考
这次龙虾之父的事件，让我想了很多。
第一，AI Agent的成本比大多数人想象的要高。
很多人以为AI就是"每月几十块的订阅"，或者"每次几分钱的API调用"。但Agent不一样——它需要反复调用模型做推理，每个任务可能触发几十上百次请求。
上下文膨胀、长程任务、多轮交互……这些都是成本的放大器。
第二，"快"是有代价的。
Peter说关闭快速模式能省70%的成本。这意味着什么？
意味着你愿意让Agent"等一等"。但"等一等"可能意味着任务完成时间从5分钟变成30分钟。你愿意接受吗？
很多Agent应用场景对延迟是敏感的。你让它帮你查邮件，它说"稍等，我正在思考"——然后你等了5分钟。这种体验能接受吗？
第三，开源≠免费。
OpenClaw是开源的，但你养它要花钱。花什么钱？Token。Token。Token。
这可能是AI时代开源软件的新范式：代码免费，但算力收费。
最后说点个人的
写这篇文章的时候，我一直在想一个问题：
AI Agent到底是在"赋能个人"，还是在"加大贫富差距"？
龙虾之父月烧130万美元，他的产出肯定也是惊人的。他用这笔钱撬动的价值，可能是普通开发者一年都做不到的。
但普通人呢？像我一样，每个月能烧200块就算极限了。
你能说他们不努力吗？你能说他们的需求不重要吗？
当然不能。
技术的进步从来不均等。有人先富起来，有人后富起来，这是规律。但AI时代的问题可能更严重——因为门槛本身就更高了。
你得有钱买算力，有时间调优Agent，有技术能力debug，还要有足够的需求密度来摊薄成本。
这不是抱怨。只是觉得，在AI浪潮里裸泳的时候，我们可能需要时不时抬头看看：岸上还有多少人？
好了，就写到这儿。我那200块的龙虾账单还等着我结呢。
