Agent 省钱工程：七成的钱不是模型花掉的
掘金 AI 的这篇深度分析认为，AI 智能体的开销不是「单价×用量」的乘法，而是结构性复利，并在 Harness、Context、Loop 工程之外提出第四件事——「省钱工程」。文章以一起 Claude Code 用量事故开场：某用户当日 token 用量从 1.61 亿跳到 13.06 亿，等效 API 成本从 41 美元涨到 493 美元，掘金称多出的部分来自服务端报错触发的自动重试，Anthropic 客服回复确认重试消耗的额度计入账单且不补偿。随后文章梳理缓存命中率、工具定义膨胀、Code Mode、上下文清理、子 Agent 隔离与预算熔断等手段，并引用 Anthropic、Manus、ProjectDiscovery 以及第三方 harness 对比数据（成本相差 7 至 70 倍）。结论是省钱的终点不是更便宜的模型，而是更短的正确路径。
文章把缓存断点、turn-end clearing、工具面收敛、Code Mode 与重试上限等可落地手段整理成清单，并结合一起重试风暴导致的账单激增案例，为智能体成本治理提供了可直接执行的操作路径。
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：
#Anthropic#Claude Code#Manus#ProjectDiscovery#Composio#Aider#OpenRouter#Cloudflare Workers AI#Vercel AI Gateway#DeepSeek#Particle-1#Aridio Silva