刚刚，模型一模一样，Token 却相差 70 倍？三项实测揭开 AI 编程工具的成本黑洞

当团队评估 AI 编码智能体的成本时，往往会仔细审视模型。

但最近的三项基准测试表明，智能体框架，也就是引导模型完成任务的软件，可能同样重要。

任何 Web 开发者都会熟悉其中的原因：每次推理请求都需要上下文。

相关历史记录要么必须再次提供，要么需要由服务系统重新构建。

因此，提供商在每一轮中都要处理大量相互重叠的文本，其中包括智能体框架的系统提示词和工具说明。

今年 6 月，一项独立的 基准测试 使用两个模型，在相同的 12 个 Python 任务上比较了 12 种配置。

8 月，Composio 比较了 八种智能体框架，使用 DeepSeek V4 Flash 完成 30 个企业工作流。

与此同时，Artificial Analysis 通过其 编码智能体指数 持续追踪智能体框架与模型的组合。

三项基准测试测量了什么

🔗 原始来源

如果你要核对细节，可以再看原文： InfoQ AI原文链接