一个人究竟养得起多大的 Agent 舰队？
这个问题听起来像是在数进程，其实是在找一个错误的单位。一个 Agent 可能只抽取一段文字，也可能搜索二十分钟，或者经过八十次工具调用才完成一次仓库重构。真正有意义的单位不是“Agent 个数”，而是一个被验收的任务，以及它背后的输入、输出、工具、重试和人工善后。
这也迫使我把两件经常被混在一起的事拆开：
- 使用更便宜的托管模型 API；
- 部署可获得权重、允许自行托管的模型。
前者比较的是调用价格，后者还要把硬件、利用率、许可证、运维与故障时间放进分母。两条路都可能省钱，但不是同一道算术题。本文价格表中的 DeepSeek V4 Pro 只作为官方托管 API 路线出现，不代表它是一个可下载、自托管的开放权重模型。
因此，我敢确认的结论比“模型便宜了九成”窄一些，却更有用：便宜的 token 能让个人 Agent 舰队在经济上成为可能；只有评测能让它在理性上成立。
一张会过期的价格快照
模型价格不是常数。供应商会改名、调整缓存规则、增加长上下文倍率，也会给批处理单独折扣。下面的数据是我在 2026 年 7 月 31 日核对的官方公开价，单位均为每百万文本 token 的美元价格。
| 供应商与模型 | 未缓存输入 | 缓存输入 | 输出 | 官方来源 |
|---|---|---|---|---|
| OpenAI GPT-5.4 | $2.50 | $0.25 | $15.00 | OpenAI 模型页 |
| Anthropic Claude Sonnet 4.6 | $3.00 | $0.30（缓存读取） | $15.00 | Anthropic Sonnet 4.6 |
| DeepSeek V4 Pro | $0.435（缓存未命中） | $0.003625（缓存命中） | $0.87 | DeepSeek 价格页 |
三行数据并不完全对称。Anthropic 另收缓存写入费；OpenAI 在模型页所列阈值以上应用长上下文倍率；DeepSeek 把命中与未命中分开计费。DeepSeek 还公告了待实施的峰谷政策：政策生效后，在其列明的北京时间高峰窗口内，各计费项可能变成常规价的 2 倍。
表中没有计算工具调用、联网搜索、区域处理、批处理折扣、GPU、存储、可观测性、技术支持和人力。准备做预算时，应重新打开上述页面，而不是把本文数字抄进一个永远不更新的表格。
更重要的是：价格表只比较托管 API 的标价，不比较智能，也不证明部署条件相同。 一美元不会告诉我 V4 Pro 在代码审查中是否和 GPT-5.4 同样可靠，也不会说明 Sonnet 4.6 是否更适合我的编辑流程。能力是否可替换，只能由自己的任务集回答。
复算五千万 token
假设一夜的工作负载是五千万 token：三千五百万未缓存输入、一千五百万输出。这是一个故意放大的计算情景，不是“5 个 Agent 一晚通常会消耗多少”的行业统计。借用它之前，先测量自己的流量。
OpenAI GPT-5.4
3500 万输入 × $2.50/M = $87.50
1500 万输出 × $15.00/M = $225.00
合计 $312.50
Anthropic Claude Sonnet 4.6
3500 万输入 × $3.00/M = $105.00
1500 万输出 × $15.00/M = $225.00
合计 $330.00
DeepSeek V4 Pro
3500 万缓存未命中输入 × $0.435/M = $15.225
1500 万输出 × $0.87/M = $13.050
合计 $28.275
按这组常规价与 token 配比，V4 Pro 的账单比 GPT-5.4 低 90.95%，比 Sonnet 4.6 低 91.43%。如果峰时政策已经生效，且整个任务都落入峰时，DeepSeek 账单会变成 $56.55；相应差距缩小为对 GPT-5.4 低 81.90%、对 Sonnet 4.6 低 82.86%。
所以“约便宜九成”只能属于一个带日期、带模型、带 token 配比的常规价情景，不能被写成永恒定律。
这笔账也没有证明输出质量相等。便宜路线若失败更多、消耗更多 token，或更频繁地把问题扔给人处理，它的真实经济性可能反而更差。这里的数字只能说明：在输入输出完全相同的前提下，标价相差约一个数量级。
能穿过现实的指标：每个成功任务的总成本
我会从真实工作里抽取一组固定任务，并冻结版本。每条模型路线都记录：
- 任务成功率：结果是否通过相同的自动测试或人工评分准则；
- 人工升级率：有多少任务需要人修复、审批或重跑；
- 每个成功任务的总成本：模型、工具、重试和实测人审成本之和，除以验收通过的结果数；
- 延迟与严重错误率，作为不可逆操作的护栏。
最简公式是：
每个成功任务的总成本
=（模型 + 工具 + 重试 + 实测人审成本）
/ 验收通过的任务数
假设路线 A 每次 $0.08，成功率 96%；路线 B 每次 $0.01，成功率 70%，还频繁重试，并把五分之一的任务升级给人。只说 B “便宜八倍”，只是把账本做得很好看：它选错了分母。
严重错误也不能被均价冲淡。一次误发消息、错误提交或破坏数据库的代价，可能吞掉数万次便宜调用省下的钱。因此我按任务类别和风险分别评测。抽取、仓库导航和数据库写入不共享一个“质量分”。最终产物不是模型排行榜，而是一张路由表。
我现在更愿意问：不是哪个模型最聪明，而是哪条路线已经为这个后果赢得了信任。
Agent 历史何时才会二次增长
多轮 Agent 确实存在成本陷阱，但“轮数减半、成本变四分之一”只有在一组严格条件下成立：
- 每轮新增的历史长度大致相同；
- 后续每次请求都完整重放全部历史；
- 所有历史都按未缓存输入计费；
- 系统没有摘要、检索、状态裁剪或其他上下文压缩。
在这些条件下，每轮输入随轮数线性增长，累计输入是等差数列：
初始上下文：5K tokens
每轮新增历史：2K tokens
轮数：30
总输入 ≈ Σ(5K + 2K × n), n = 0…29
≈ 150K + 870K
≈ 1.02M tokens
主导项与 (n^2) 成正比。因此，在这个全量重放模型里，把轮数加倍，输入量可能接近四倍。
但 Agent 成本并不普遍遵循二次曲线。缓存可以给重复前缀折价；滚动摘要可以限制历史长度；检索只注入下一步需要的状态；结构化工作记忆只保存决策；状态化 API 可能避免反复传输部分内容；轮数与工具输出上限则能提前终止漫游。
所以，砍掉空转当然有价值，但“轮数减半就省四分之三”只是一种上界启发，不能许诺。过度砍轮也可能删除验证步骤，让错误率上升。目标不是以任何代价少思考，而是减少没有产出的运动。
舰队不是一排工人，而是一条路由策略
所有任务都交给旗舰模型，简单但很难解释；把所有看起来便宜的任务一律降档，同样粗暴。我采用的是“已验证的最便宜安全路线”：
新任务
│
确定性规则先判断
schema · 长度 · 可逆性 · 数据等级
│
┌─────────────┴─────────────┐
│ │
低风险且已评测 不确定或高风险
│ │
便宜候选路线 更强路线和/或人工审批
└─────────────┬─────────────┘
│
验收检查
│ │
通过 失败
│ │
记账 重试或升级
路由应从规则开始，因为规则可读、可审计。任务类型、是否有 schema、上下文长度、数据敏感度、操作可逆性和历史通过率，往往不需要额外模型调用。只有当学习型路由器自己的错误率与成本也被测量后，它才值得加入。
我不会声称“不到 10% 的调用需要旗舰”。对一个拆解良好、可确定性验证的抽取流水线，这或许成立；对研究或编码系统，可能完全不成立。比例必须从生产轨迹里算：
某类任务的旗舰占比
= 该类中通过验收的旗舰路线任务
/ 该类全部通过验收的任务
舰队规模也是如此。“五个夜间进程”只是一个作者情景，不是适用于他人的经验定律。先按职责给工作单元命名，再观察并发究竟提高了吞吐，还是只复制了等待人审的队列。
我会怎样做一次降档实验
1. 冻结任务集
从近期生产任务抽样，去重但保留普通案例和难看的边角案例。对路由逻辑隐藏预期结果，并给数据集标版本，这样模型或提示词更新后仍能同基线比较。
2. 在看结果前写好验收标准
能自动化就使用 schema 校验、单元测试、引用检查和数据库约束。主观任务则先写短评分表，并对评审隐藏模型身份。“看起来差不多聪明”不是验收条件。
3. 给不同路线同一套预算
保持工具权限、最大轮数、重试策略、上下文和输出要求一致。缓存命中与未命中分开记录。不同供应商的推理控制若无法对齐，就明确写出差异，而不是假装配置完全相同。
4. 比结果，不比演示
报告样本数、成功率、人工升级率、严重错误、延迟、token 和每个成功任务的总成本。只有达到预先声明的质量与风险阈值，便宜路线才算毕业。
5. 上线后继续监测
模型别名和供应商行为会变。尽量固定快照，记录实际解析到的模型版本，保留一键回滚，并在模型、提示词、工具集或任务分布变化后重新跑评测。
多模型路由真正的收益不是“零质量损失”，而是：质量损失已知且落在明确容忍范围内，同时每个成功任务的成本确实下降。
token 之外，账还没有算完
规模小时，token 价格可能占主导。舰队长大后，另外四类成本会浮上来：
- 评测：数据集、评分器、回归与复核；
- 运维：链路追踪、重试、限流、告警与卡死任务；
- 安全：权限、回滚、密钥和不可逆动作；
- 注意力：一个人能够认真判断的输出数量。
最后一项才是硬上限。五十份夜间产出，每份只审五分钟，第二天也要花四个多小时。便宜推理能把瓶颈从算力移到判断，却无法消灭瓶颈。
这也是我不再重复“Agent 系统有 98.4% 不是 AI”的原因。那个比例来自示意性拆分，不是跨项目测量得到的常数。可以保留的判断是：模型调用只是系统的一部分；状态、工具、评测、权限和可观测性，才决定便宜调用能否变成有用的工作。
我同样删除了“开放模型占行业 token 的 25%–30%”之类说法。我找不到口径一致的一手数据来支撑它。一个数字如果经不起追问分母、采集方法和日期，就不该替我们做架构决策。
现在值得做的四件事
先测量，再迁移。 记录供应商、实际模型版本、任务类别、缓存状态、输入输出 token、工具费用、重试、验收结果和人工分钟。否则最贵的路线会藏在平均数里。
先限制上下文，再追逐单价。 裁掉无关工具输出，用结构化形式保存长期状态，以校验保护摘要，只检索下一步所需信息，并设置轮数上限。先获得更小、更稳定的负载，再比较价格。
从一类低风险任务开始降档。 带确定性校验器的抽取或标签任务，比自主提交代码、发送外部消息更适合作为第一场实验。在冻结任务集上同时跑两条路线，比较每个验收结果的成本。
让升级与回滚足够便宜。 路由应能通过配置撤销。遇到不确定、新颖或后果严重的任务，就向上升级或要求人审。在不可逆动作上省几分钱，是一种昂贵的节俭。
低价 API 与自托管：别把两张账叠在一起
低价托管 API 的优势是启动快、无需管理硬件，账单主要随调用量变化。开放权重自托管则可能带来数据控制与稳定大吞吐下的成本优势，但必须另算：
- 加速器采购或租赁；
- 空闲时间与批处理后的真实利用率；
- 推理框架、量化与升级维护；
- 监控、容量、故障和人的值守时间；
- 模型许可证及部署限制。
对有稳定负载、隐私约束和运维能力的团队，自托管可能合理；对独立开发者，它不会自动更便宜。闲置硬件也是成本，半夜修复推理服务也是成本。“开放权重”是一种许可与部署属性，不是一张免费推理券。
尤其需要重申：本文拿来计算的 DeepSeek V4 Pro 是官方 API 价格行。不要从这行价格推导出它存在同名、同能力、可自行部署的开放权重版本。
下半场判断
我的判断不是低价 API 或开放权重模型会替代所有前沿托管模型，而是：任务级经济性会逐渐替代模型忠诚。
多模型路由会变得普通，因为价格差太大，无法忽略；能力差又太依赖任务，无法用一个榜单概括。低价 API 与开放权重路线会先接管高频、可逆、容易验证的工作。当前沿能力确有差距、失败代价高，或评测本身薄弱时，更强的托管路线仍然有价值。
能长久工作的架构或许很朴素：
- 确定性代码能解决的，就不用模型；
- 可逆任务交给通过评测的最便宜模型；
- 不确定和高后果决策使用更强路线；
- 系统尚未赢得信任的边界，保留人类。
结语
回到最初的问题：一个人养得起多大的 Agent 舰队？
按 2026 年 7 月 31 日的常规价和本文五千万 token 情景，DeepSeek V4 Pro 的纯推理账单约为 GPT-5.4 的十一分之一。这是真实而重要的价差，它能把过去需要节制的实验，变成持续运行的流程。
但养得起不等于值得养。只有把重试、工具、运维、人审与失败都算进去，舰队仍能更快、更便宜地产出验收结果，它才成立。Agent 个数是舞台效果，每个成功任务的总成本才是经济学。
便宜模型把杠杆变长了，却不会替你选择支点。支点仍是开发者的工作：先衡量后果，在运行前定义成功，只在真正改变结果的地方购买更昂贵的智能。
读者回响