共计 1282 个字符，预计需要花费 4 分钟才能阅读完成。
龙虾之父月烧 940 万元的 token! 要不是入职 OpenAI 还真用不起
一个人、30 天、约 130 万美元 API 费用。Peter Steinberger 近日晒出的 CodexBar 后台截图, 让外界再次看到 AI Agent 进入软件工程后的另一面: 效率提升的同时,token 消耗也可能被迅速放大。
📌 一张截图引发关注:30 天消耗 6030 亿 token
根据其公开展示的信息, 过去 30 天内 , 他调用 OpenAI API 的总费用达到约 130.5 万美元, 折合人民币约 940 万元; 同期消耗约 6030 亿 token, 发起约 760 万次请求, 最常使用的模型显示为 GPT-5.5。相关费用由 OpenAI 承担。
这组数字之所以引发讨论, 不只是因为金额惊人 , 更因为它展示了 AI 辅助开发在高强度运行时的真实成本轮廓。按截图数据折算, 其每日请求量约 20.6 万次, 意味着系统并非偶尔调用, 而是在长时间持续工作。
🔍 费用主要投向 OpenClaw: 约 100 个 Codex 并行运转
- 自动审查 PR, 检查代码修改质量;
- 扫描安全漏洞, 并尝试生成修复方案;
- 查重 Issue、整理问题与改动线索;
- 监控 Benchmark 回归, 发现性能异常;
- 在特定场景下根据会议内容创建 PR。
💡 成本争议: 快模式贵, 但慢下来仍不便宜
面对高额账单,Peter Steinberger 解释称, 这与“快速模式”有关。为了让 Agent 高频协作并快速响应, 系统采用较激进的推理调度, 直接推高了 token 消耗。他表示, 如果关闭快速模式, 成本可下降约 70%。
不过, 即便按降低 70% 估算, 每月费用仍约 40 万美元量级 。对于普通开发者或小团队来说, 这依然是一笔高昂支出。因此外界讨论的焦点, 也从“AI 能不能写代码”转向“在什么成本下值得这样做”。
📊 行业观察: 软件开发正在从用工具转向管 Agent
Peter 给出的判断是, 要把 Codex 费用与工程团队成本进行比较 , 而不是单纯看成工具订阅费。在旧金山等高成本地区, 高级工程师年薪和综合成本本就不低; 如果一组 Agent 能承担大量重复工程劳动, 其投入产出比可能成立。
这也反映出一个更大的趋势: 软件开发正从“人类使用 AI 工具”逐步走向“人类管理 Agent 团队”。 在这种模式下 , 人类更多负责目标设定、架构判断和最终验收,Agent 则负责执行、检查、修复与迭代。
当然, 长时间运行的多 Agent 系统仍会遇到上下文冗余、记忆膨胀、Agent 互相干扰等问题。 此次案例更像是一次高强度实验: 它证明了多 Agent 协作的潜力 , 也把成本、稳定性和治理问题摆到了台前。
🚀 总结: 百万美元账单背后, 是 AI 工程化的新门槛
这张 API 账单并不能简单说明“AI 开发太贵”或“AI 已替代工程师”。 更准确地说 , 它展示了前沿团队在探索一种新型软件生产方式: 小规模人类团队, 调度大规模 AI Agent 完成工程流水线。
未来这种模式能否普及, 关键不只在模型能力 , 还在推理成本能否下降、Agent 协作能否稳定, 以及企业是否能找到可量化的 ROI。至少现在可以确定的是,AI 写代码的竞争, 已经进入“规模化调度 Agent”的阶段。
