Agent 省钱工程：七成的钱不是模型花掉的一、先把账算清：钱到底花在哪一层 1.1 三种 token，三种价格，差一个

一位 Claude Code 用户的当日用量从日均 1.61 亿 token 跳到 13.06 亿，等效 API 成本从 41 美元跳到 493 美元。他没改代码，没换模型，没加需求。多出来的是服务端报错触发的自动重试，而 Anthropic 客服确认：重试消耗的额度计入账单，且不补偿。

这件事说明一个被忽略的事实：Agent 的成本不是"单价 × 用量"的乘法题，而是结构性复利。你调的是提示词，账单涨的是重试；你以为在为大上下文付费，其实在为一个每轮都要重付的常量付费。

Harness 工程解决了"怎么让模型跑起来"，Context 工程解决了"喂什么给它"，Loop 工程解决了"怎么让它转下去"。三件事都让 Agent 更强，也让它更贵。现在缺的是第四件事：在变强的同时，把账单按住。这篇就叫它"省钱工程"。

一、先把账算清：钱到底花在哪一层

1.1 三种 token，三种价格，差一个数量级

Agent 的计费不是一个数，是一张阶梯表。同一个模型，同一个 token，位置不同，价格差 5 到 10 倍：

token 类型	触发条件	相对价格	谁在产生它
未命中缓存输入	前缀变了	1×	系统提示、工具定义、新观察
命中缓存输入	前缀与上次逐字节一致	约 0.1×	重复重发的历史
输出（含推理）	模型写出来的字	5×（Sonnet 档）	思考、回答、工具参数
缓存写入	第一次建缓存	约 1.25×	会话开头、前缀变更后

再看模型档位本身：以 10 月底的公开定价为例，Sonnet 档 $2/$ 10（输入/输出每百万 token），Opus 档 $4/$ 20，Fable 档 $10/$ 50，而 DeepSeek V4.1 Flash 是 $0.50/$ 1.50、缓存输入 $0.13。从最便宜到最贵，输入价横跨 20 倍。

但把这两个维度乘起来，就是 200 倍量级。 这解释了一个常见困惑：为什么有人说"Agent 很便宜"，有人说"Agent 一天烧掉我一周预算"——他们可能在同一张价格表上，只是站在不同的格子里。

1.2 平方律：Agent 天生比 Chat 贵一个量级

对话是一次性的，Agent 是累积的。每一轮工具调用，harness 都把「系统提示 + 全部工具定义 + 全部历史动作 + 全部历史观察」重新发一遍，只追加最新的一段。

设常驻部分（系统提示 + 工具定义）为 $L_0$ ，每轮新增观察为 $\Delta$ ，跑到第 $N$ 轮，累计输入 token 是：

$T_{\text{in}}(N) = \sum_{k=1}^{N}\left(L_0 + k\Delta\right) = N L_0 + \frac{\Delta N(N+1)}{2}$

第一项是线性但系数很大，第二项是平方。这就是为什么 Agent 的输入输出比会离谱到 100:1——Manus 团队在生产环境测出的就是这个数，一个典型任务约 50 次工具调用。

代入一组真实数字，结论会很扎心。Semalt 汇总的一份 6 月 benchmark 里，有个 harness 的常驻开销是 26,000 token（另一个只要 700）。假设跑 15 轮、每轮新增 300 token：

常驻税项   N × L₀      = 15 × 26,000 = 390,000 token
增长项     ΔN(N+1)/2   = 300 × 120   =  36,000 token
                                        ─────────
合计                                    426,000 token

常驻税占了 91.5%，是增长部分的 10.8 倍。

你以为是"上下文太长所以贵"，实际上绝大部分钱花在每一轮都重发同一段脚手架。这份 benchmark 的结论更直接：常驻开销 × 轮数 对"每解决一个任务的 token 数"的预测 $R^2 = 0.99$ 。一个变量解释了几乎全部方差。

fig1-常驻税.png

1.3 所以，省钱工程的第一条公理

省钱工程要优化的指标不是"每百万 token 多少钱"，也不是"这个月用了多少 token"，而是：

$\text{Cost per Success} = \frac{\text{单次尝试成本}}{\text{成功率}}$

分子好降，分母容易被忽略。一个便宜 10 倍但成功率掉一半的方案，实际只便宜 5 倍——而且你还要为那一半失败付人工兜底的钱。这份形式化来自独立研究者 Aridio Silva 对"降本 70%"流行论调的复核报告，它同时提醒：所有省钱手段的分子里，都要算上优化层自己的开销（路由器、判定模型、评测集、缓存服务）。

二、同一个模型，成本能差 70 倍

这是今年最该被更多人知道的一组数据。

6 月，一份独立 benchmark 用两个模型、12 套 harness 跑同一批 Python 任务，全部走同一个网关。结果每解决一个任务的 token 消耗，从 Aider 架构模式的约 3,500，到 OpenClaw 的 292,000，差 70 倍。

8 月，Composio 用同一个模型（DeepSeek V4 Flash）、8 套 harness，在 30 个企业工作流上跑了 2,400 次，129 次成功。每个成功任务的成本从 Pi Agent 的 $0.028 到 Claude Code 的$ 0.195，差 7 倍。

变量	变化幅度	对成本的影响
换模型（Sonnet → DeepSeek Flash）	输入价 4 倍	4 倍
换 harness（同模型同任务）	—	7 到 70 倍
换网关（同模型同 ID）	—	最高 6 倍

模型的贡献排在最后。这组数字被 Semalt 的分析总结成一句话：决定 Agent 成本的不是模型选择，是 harness 架构。

最后一行值得单独说。10 月 28 日发布的 Particle-1，同一个模型 ID 在四个渠道的报价：官方直连 $0.30/$ 1.20，OpenRouter $0.05/$ 0.50（缓存输入 $0.003），Vercel AI Gateway$ 0.13/ $0.50，Cloudflare Workers AI$ 0.25/$1.00。同样一个 token，最贵和最便宜差 6 倍，而你的代码一行没改。

如果你只做一件事，先把网关和 harness 对齐做一遍——这不叫工程优化，这叫采购纪律，但它的 ROI 比任何提示词技巧都高。

顺带回答标题：那"七成"是怎么来的

有分析估计，agentic trace 里 30%~50% 的 token 是系统提示、工具定义和历史对话——与当前这一步决策基本无关（这个比例来自二手引述，方向可信、精确值存疑）。

在那之上还有两笔不属于"模型在思考"的钱：缓存没命中的折价损失（同样的内容按 10 倍价重付），以及返工轮次带来的平方级支出。把这三样叠起来，一个不算激进的估算是——"模型真正在想事情"的那部分，通常不到账单的三成。

所以标题那句话的准确说法是：七成的钱不是模型花掉的，是结构花掉的。 结构是可以改的，模型价格你不能改。

三、反常识：省钱和提质，大多数时候是同一件事

大部分人默认成本和效果是跷跷板：想便宜就得多犯错。这个直觉在 Agent 上不成立，因为长上下文本身就在损害性能。

Anthropic 在 100 轮网页搜索的评测里，只用"清理已消费的旧工具结果"这一个动作，把 token 消耗降了 84%；而在 agentic search 任务上，这个动作单独带来 29% 的性能提升，配合外部记忆工具是 39%。

降了 84% 的 token，性能还涨了 29%。为什么？

        ┌──────────────────────────────────────────┐
        │                                          │
        ▼                                          │
  上下文变长 ──► 注意力稀释 ──► 判断出错 ──► 多跑几轮 ──┘
   （每轮重发）    （中段信息丢失）  （重复调用/走错路）   （上下文更长）
        │                                          ▲
        └──────────────► 账单按平方涨 ◄─────────────┘

   省钱工程的着力点：不是砍掉能力，是剪断这条回路

这就是成本-质量螺旋：越长的上下文让模型越容易犯错，犯错导致更多轮次，更多轮次又让上下文更长。省钱工程真正砍的不是"能力"，是"返工"。

fig2-成本质量螺旋.png

一个官方 cookbook 里的客服流程案例很能说明问题：5 张工单、35 次以上工具调用——

指标	无压缩	有压缩	变化
总轮数	37	26	−29.7%
输入 token	204,416	82,171	−59.8%
输出 token	4,422	4,275	−3.3%
总 token	208,838	86,446	−58.6%

注意输出几乎没变（−3.3%）。省下来的全是输入，而且轮数少了 11 轮——这 11 轮本来就不该跑。

这也给了一个判断省得对不对的简单信号：健康的降本，输出 token 基本不变甚至略降，输入 token 大降。如果输出 token 也跟着暴跌，你大概是把活干糙了。

四、六个杠杆，按 ROI 从高到低

按"先做不要钱的，再做要一点钱的，最后才动模型"的顺序排。这个顺序很重要，颠倒过来钱花了效果还差。

fig3-六杠杆.png

杠杆 0：先度量，否则全是猜

最小可用的一套指标，四个：

Cache hit rate（缓存命中率）——Manus 原话：如果只能选一个指标，选它，因为它同时决定成本和延迟
Tokens per solved task（每解决一个任务的 token）——比 token 总量有意义得多
Cost per success（每成功任务成本）——含失败重试
p95 单任务成本——均值和 p95 经常差一个量级，账单是 p95 撑起来的

Claude Code 团队把命中率做成了告警项：低于阈值就开事故单。这个做法值得抄——缓存命中率是唯一一个掉了不会报错、但会静默烧钱的指标。

杠杆 1：清账（最高 ROI，零额外模型调用）

一条工具结果（tool_result）在被模型消费完之后，为什么还要在之后每一轮里被重发一遍？

这是 Anthropic 定义的"最安全、最轻量的压缩形式"：工具结果一旦消化，就从上下文里清掉，需要时再取。它已被产品化为服务端能力：

{
  "context_management": {
    "edits": [{
      "type": "clear_tool_uses_20250919",
      "trigger": {"type": "input_tokens", "value": 30000},
      "keep": {"type": "tool_uses", "value": 3},
      "clear_at_least": {"type": "input_tokens", "value": 5000},
      "exclude_tools": ["web_search"]
    }]
  }
}

四个参数各管一段：trigger 是激活阈值（默认 10 万），keep 是保留最近几组调用-结果对（默认 3），exclude_tools 是豁免名单，clear_at_least 是个缓存经济参数——清理会改写历史、打断前缀缓存，所以要么不清，要清就清够本。

效果：100 轮搜索评测 token −84%，agentic search 性能 +29%。

代价：只对"已经消费过的"结果安全。正在用的那份清了，模型会重读一遍，反而更贵。所以阈值要配合任务形态调，不能照抄默认值。

自己的实现版本叫 turn-end clearing：每轮工具执行完、下一次模型调用前，扫一遍历史，把超出保留窗口的旧结果替换成占位符——"已读取文件 X，共 2000 字，内容已省略，路径已保留"。

关键在"路径已保留"。 Manus 的说法是"可恢复压缩"：网页内容可以丢，URL 必须留；文档正文可以丢，文件路径必须留。丢内容不丢指针，模型随时能取回来。这一点做错，压缩就从省钱变成了挖坑。

杠杆 2：砍常驻（收益最大，但要动架构）

杠杆 1 管增量，杠杆 2 管那个吃掉 91% 的常量。

三个动作，效果递增、代价也递增：

a) 工具面收窄。 Manus 的做法是核心工具少于 20 个。Anthropic 实测过：5 个服务器、58 个工具，光定义就 55,000 token，某些配置到 134,000 token——在你说话之前，钱已经花了。

而且工具多不只是贵，还变傻：一次压力测试里，工具多到一定程度，模型的工具选择准确率掉到 13.62%。

b) 延迟加载（progressive discovery）。 工具定义不预加载，改成先 search_tools 再取。Anthropic 的 Tool Search Tool 实测 token −85%，同时工具选择准确率从 49% 提到 74%。更少了，反而更准。

c) 代码执行模式（Code Mode）。 这是量级最大的一档。不让模型一次一次调工具，而是让它写一段脚本，在沙箱里跑完，只把结论带回上下文。

场景	传统工具调用	Code Mode	降幅
Anthropic 示例工作流	150,000 token	2,000 token	−98.7%
Cloudflare 全部 API（2,500+ 端点）	约 1,170,000 token	约 1,000 token	−99.9%
Linear 工作区 40 次顺序调用	约 65,500 token（262,159 字符）	约 226 token（903 字符）	−99.66%

注意第一行的对比有多极端：原生 MCP 描述 2,500 个端点的 token 量（117 万）超过了当前前沿模型的整个上下文窗口。这不是"贵"，这是"装不下"。

代价要写清楚：需要沙箱、网络白名单、资源限额、审计链路。安全成本永远排在省钱前面——一个能跑任意代码的 Agent，省下的钱可能不够赔一次数据外泄。

杠杆 3：护缓存（收益 10 倍，但最脆弱）

缓存读只要 1/10 的价格。ProjectDiscovery 给 Neo 安全 Agent 做优化的复盘是这行最好的教材：复杂任务跑到 6,000 万 token / 20~40 步，系统提示是 2,500 多行 YAML、20,000 多 token，每一步都在全价重付。

他们先试了直接开缓存，几乎没用——因为工作记忆这类动态值就写在系统提示里，每次调用都在变。后来的解法是三件事：三个缓存断点分别设 1 小时和 5 分钟的生命周期、把动态内容从缓存前缀里挪出去、追加到尾部当 user message。

结果：命中率 7% → 84%，总成本降 59%，98 亿 token 由缓存供给。极端的一个任务跑了 1,225 步、6,750 万输入 token，命中率 91.8%。

Claude Code 团队则总结了 5 种"普通产品改动就打断缓存"的方式，每一条都是用钱换来的：

破坏缓存的习惯	为什么炸	正确做法
系统提示里放秒级时间戳	前缀每秒都变，之后全部失效	时间放进本轮 user message，或粗化到小时
运行时随机打乱工具顺序	工具定义在前缀里，顺序变了就是新前缀	顺序固定
中途增删工具	定义变了，后面全部重建	工具常驻，用 logit mask 屏蔽不用的
中途切换模型	每个模型有独立缓存，切一次重建一次	想清楚再切，别在同一会话里来回跳
直接改写历史消息	改动点之后的全部重算	append-only，只追加不改写

Anthropic 成本文档里有一句话，把这件事的残酷程度说透了："在一个开了一整天的会话里问一句一行的问题，仍然要按整个会话计费。"

杠杆 4：换结构（收益大，但会和前面打架）

三个结构性动作：

子 Agent 隔离。 把检索、探索这类"脏活"丢进独立上下文，只回传结论。Claude Code 的 agent teams 在 plan mode 下大概是标准会话的 7 倍 token——这不是让你别用，而是提醒：每个子 Agent 都要独立付一遍常驻税。开 5 个子 Agent，等于把 $L_0$ 复制 5 份。所以判据是：省下的上下文压缩收益，要大于多付的常驻税。

文件系统当内存。 Manus 不搞向量库，直接写文件，用 glob / grep / cat 取回。"文件系统无限大、天然持久、Agent 自己能操作"。上下文窗口是内存，文件系统是磁盘——这个类比朴素但极其管用。

长任务加"背诵"。 跑到 50 次工具调用之后，模型会忘掉最初的目标（lost in the middle）。解法不是加大上下文，是在关键节点让它重读一遍 task_plan.md，把目标推回注意力窗口的最近端。成本是几十 token，收益是少跑十几轮。

杠杆 5：分级与级联（收益 2 到 3 倍，但有个盈亏平衡点）

思路简单：让便宜的先试，不行再升级。难点全在"怎么判断不行"。

级联有个硬约束——升级率必须低于 $1 - \frac{\text{便宜模型价格}}{\text{贵模型价格}}$ ，否则被升级的请求要付两次钱，反而更贵。

以 Haiku : Sonnet = 1 : 20 计，升级率必须低于 95%；Sonnet : Opus = 1 : 2，升级率必须低于 50%。第二档的门槛低得多，很容易翻车。

学术上的上限参考：FrugalGPT 报告最多 98% 成本降幅（作者自己的 benchmark，"最多"两个字很重要），RouteLLM 在偏好数据上训练的路由器报告 2 倍以上降幅，Microsoft 的 Hybrid LLM 报告对大模型的调用减少最多 40% 且质量不降。

落到生产，比较现实的区间是比"全走旗舰"省 40%~70%。

三个坑：

不能只信模型自报的置信度。小模型会"自信地错"，你说服不了它。
最可靠的信号是模式校验：输出解析失败、schema 不合法、单元测试不过。这些不依赖模型自我评价。
先有评测集，再有路由器。顺序反了就是拿线上流量做实验。

杠杆 6：错峰与批处理（不用改代码的那部分）

时间也能换钱。腾讯云 10 月 31 日到 11 月 16 日的 Token Plan 活动里，DeepSeek-V4.1-Flash 空闲时段是 4 折（输入 0.4 元/百万 token），高峰时段 8 折；V4-Pro 空闲 7 折。同一份算力，排到几点跑，价格差一倍。

再加上批处理接口普遍 50% 左右的折扣。判据只有一个：这个任务客户是不是真的不在意它晚几小时出结果。夜间报表、离线评测、数据标注、批量分类，全都符合。

这一档的 ROI 高得离谱——不改架构、不改提示词、不改模型，只改调度时间。

五、为什么"省 70%"是幻觉：杠杆会互相拆台

到这里，"六个杠杆全开"听起来能省 90%。现实不会。

5.1 它们不是加法，是会互相抵消的乘法

杠杆 A	与杠杆 B 冲突	冲突原因
清账（改历史）	护缓存（append-only）	清理就是改写前缀，命中率当场掉
压缩（摘要重开窗口）	护缓存	摘要请求本身就是个大请求，且新旧前缀不连续
路由到小模型	护缓存	换模型 = 缓存重建，Claude Code 明确列为 5 大破缓存行为之一
子 Agent 隔离	砍常驻	每个子 Agent 复制一份常驻税
压缩	可恢复性	压得越狠，越需要模型重新取回，反而多跑几轮

所以真实项目的优化是有顺序、有取舍的工程，不是把开关全打开。Anthropic 那个 clear_at_least 参数就是这种取舍的产物——它存在的唯一理由，是避免"清一点点但把缓存全废掉"这种最亏的操作。

5.2 优化层自己也要花钱

Aridio Silva 复核"月账单从 $10,000 降到$ 2,926（省 70%）"这个流行说法时，指出三个问题：

没算优化层的开销：embedding、分类器、判定模型、评测集维护，全是要钱的
质量对比落在采样误差内：报告里那点分差，小于评测集本身的统计噪声，"质量不降"这个结论站不住
节省不可叠加：流量已经路由到便宜模型之后，再砍 token 的边际收益会递减，因为基数已经小了

他的敏感性分析给出的现实区间是 61%~68%，而不是 70%。这不是说降本没用，是说别把营销数字当预算依据。

5.3 最贵的一课：优化器的溢价可能高过它省下的钱

回到 Particle-1。它在 DeepSeek V4.1 Flash 上做 rank-64 LoRA（约 1.25% 参数），用 RL 奖励"用更少 token 完成任务"。效果不假：平均 token 少约 45%，每任务成本低 34.4%~52.2%，四个 benchmark 上 pass@1 落在基线的置信区间内。

但 Plotly 用自己的 43 题私考题做了独立验证，结论很微妙：Particle-1 花 $0.35 拿了 40/43，同期 GPT-6.1 Terra 花$ 1.31 也是 40/43——看着赢麻了。然而同一份报告里估算，直接用原版 DeepSeek V4.1 Flash 按今天的价格跑同样的题，大概只要 $0.24。

一个宣称"比基线省 45% token"的模型，每任务反而比基线更贵。

这不是说这类模型没价值（它确实在"每任务成本"上赢了一批对手），而是说明一件事："我比基线省 45% token"和"我比你便宜"是两个命题，中间隔着一层定价。 采购价、缓存价、网关价，任何一项都能把这个结论反转。

5.4 一个立刻能做的自检

把上面这些压成一个问题：

你的月账单里，有多少是"重发同一段内容"？
        │
        ├─ 说不出来 ──────────────► 先做杠杆 0，别做别的
        │
        ├─ 超过 50% ──────────────► 杠杆 3（护缓存）优先，收益 ×10
        │                          同时查网关和 harness
        │
        ├─ 20%~50% ──────────────► 杠杆 1、2 依次做，别急着上路由
        │
        └─ 低于 20% ──────────────► 结构已经不差了，
                                    去杠杆 5（分级）+ 杠杆 6（错峰）

六、什么场景不该省

省钱工程也有失效区，写清楚比吹效果重要：

低频、短会话。 一天跑 50 次、每次 3 轮的场景，优化收益抵不过你把架构改坏的调试成本。直接换个便宜模型就完事。

强探索性任务。 让 Agent 读代码库、找 bug，它需要大量低信噪比的探索。这时候清账和压缩会把"顺手看到的线索"也清掉，反而拉长任务。判据：如果成功依赖"意外发现"，别压太狠。

延迟敏感。 级联、语义缓存、批处理全都要多一层往返或排队。交互式产品里，200ms 的首 token 延迟可能比省下的钱更值钱。

合规与可审计优先。 压缩摘要会丢掉原始痕迹。金融、医疗、法务场景里，"能回放每一步"比"省 40%"重要。

只跑一次的长任务。 优化开销（写脚本、配沙箱、搭评测集）是固定成本，只跑一次摊不平。

七、落地清单

按顺序做，做完一条再下一条。每条都给了"怎么判断做成了"。

顺序	动作	成本	验收信号
1	埋点：命中率、每成功任务 token、p95 成本	半天	能按任务类型拆出账单
2	核对网关报价 + 跑一遍同任务对比	1 天	单价下降且质量不变
3	查系统提示里有没有秒级时间戳、随机序列化、动态工具列表	1 小时	命中率明显抬升
4	上 turn-end clearing，先只清最老的工具结果	1~2 天	输入 token 降 30%+，轮数不增
5	工具面砍到 20 个以内，其余延迟加载	3~5 天	常驻 token 降一半，工具选择准确率不降
6	高频多步流程改 Code Mode	1~2 周	中间结果不再进上下文
7	加预算熔断：单任务 token 上限 + 重试上限	半天	p95 成本可控，不再出现 8 倍尖峰
8	分级路由（先 shadow 模式跑）	2~4 周	升级率低于盈亏平衡点

第 7 条单独说一下。文章开头提到的那种事故，任何提示词优化都防不住——那是重试风暴。省钱工程的最后一道防线是熔断，不是优化。 单任务 token 上限、单会话重试上限、异常重试不计入配额的白名单，这三样东西加起来写不到 50 行代码，但能挡住最贵的那一类账单。

八、我的判断

第一，省钱的单位正在从 token 变成"任务"。 按 token 报价的时代，省钱的对手是价格表；按任务报价的模型出现之后（Particle-1 报的就是每任务成本），省钱的对手变成了你自己的成功率。这会逼着团队第一次认真测"我的 Agent 到底有多可靠"——这可能是这件小事最大的副产品。

第二，缓存命中率会变成 SLO 指标。 现在它藏在账单里，掉到 0 也不报错。但它是唯一一个同时决定成本、延迟、并且可以在不发版的情况下崩塌的指标。Claude Code 已经把它做成告警项了，其他团队跟上只是时间问题。

第三，Code Mode 会成为默认，而不是优化项。 当工具定义本身就超过上下文窗口时，"让模型逐个调工具"这条路在物理上就走不通了。这不是省不省钱的问题，是能不能跑的问题。

第四，也是最重要的一条：省钱工程的终点不是更便宜的模型，是更短的正确路径。 前面所有杠杆，剥掉实现细节，做的都是同一件事——减少模型在错误方向上花的步数。84% 的 token 降幅来自"清掉已经用过的结果"，29% 的性能提升来自同一个动作。这两个数字同时出现不是巧合。

Agent 变强的方式是让它想得更多。Agent 变便宜的方式是让它少想没用的。这两件事不矛盾，只是过去一年大家只顾着做前一件。

数据来源与口径说明

Manus：KV-cache 命中率指标、100:1 输入输出比、约 50 次工具调用、缓存读约 1/10 价格、可恢复压缩原则，均来自其团队的 context engineering 复盘文章。
Anthropic：context editing 的 clear_tool_uses_20250919 参数与默认值、100 轮 web search 评测 token −84%、agentic search 性能 +29%（配 memory tool +39%），来自其 context management 官方文档与合作方 cookbook；客服流程 208,838 → 86,446 token 的对比来自其 cookbook 案例；Claude Code 的 5 种破缓存行为与其成本管理文档，来自官方工程博客与 cost 文档。
ProjectDiscovery Neo：命中率 7% → 84%、总成本 −59%、98 亿 token 走缓存、单任务 6,750 万 token / 1,225 步 / 91.8% 命中率，来自其团队公开复盘。
harness 对比（70 倍 / 7 倍 / $0.028–$ 0.195 / R²=0.99）：分别来自 6 月与 8 月的两份第三方 benchmark，经 Semalt 汇总分析转述。原始 benchmark 的完整方法未逐项核对，数字按"据其汇总"理解。
Code Mode 数据（150,000→2,000、117 万→1,000、65,500→226）：分别来自 Anthropic 工程博客（2025-11）、Cloudflare（2026-02）、以及第三方对 Linear 工作区的实测记录。
路由与级联（98% / 2× / 40%）：来自 FrugalGPT、RouteLLM、Microsoft Hybrid LLM 三篇论文的作者自报结果，"最多/某些情况下"的限定词是原文所有，不应作为生产预期。
Aridio Silva 复核报告（61%~68%、cost-of-pass 形式化、三条批评）：2026 年 10 月发布，针对"降本 70%"论调的再分析。
Particle-1：45% token 降幅、34.4%~52.2% 每任务成本降幅来自厂商；Plotly 43 题独立验证（40/43、 $0.35）与"原版约$ 0.24"的估算来自其公开报告。四个渠道价差来自各网关当时挂出的价格页。
10 月 27 日 Claude Code 用量事故：13.06 亿 token、 $41.17 →$ 493.04、重试计入额度且不补偿，来自用户以 ccusage 统计的本地日志与客服回复截图，Anthropic 未就此公开发布声明。
所有价格均为 2026 年 10 月底公开报价，随时会变；做决策前请以各厂商当前定价页为准。