一个月烧掉 17 亿 Token 后：我开始算 AI 的投入产出账

最近用 AI 用得有点太爽了。

我统计了一下，这一个月在 Codex 里就用了约 17 亿 Token。这里面，未缓存输入 8680 万，输出 786 万，缓存命中约 16 亿，命中率 94.9%。这还只是 Codex 下的 GPT-5.6，不包括其他 Agent，也不包括 Claude 那边接的 DeepSeek。

17 亿是什么概念？

我把同一批用量按 API 价格算了一遍。GPT-5.6 Sol 是 1469.80 美元，Terra 是 587.92 美元，Luna 是 58.79 美元；DeepSeek-V4-Flash 是 134.52 元，Pro 是 347.56 元。

这张表把我看愣了一下。

当然，我没有真的付出 1469 美元。我现在的会员成本很低，甚至可以说是用十几美元，拿到了几百乃至上千美元 API 调用才能换来的效果。这正是让我特别爽的地方。

但爽完以后，也有一点不安。

我发现自己已经对 Token 产生依赖了。而且不只是量的依赖，还是质的依赖。

17 亿 Token 是怎么烧掉的

如果只是改一个函数，补一点功能，Token 并没有那么吓人。

真正烧得快的，是探索一个新项目、做一个 Demo、让 AI 在一个工程里反复试方案的时候。它要读上下文、理解已有代码、改文件、跑命令、根据结果再改。一个任务做大了，Token 就像开闸的水一样往外流。

但话说回来，量大不等于浪费。

以前要一个人琢磨一个月的研究和探索，现在可能一个星期内就能推进出成果。很多时候，人不需要一直坐在那里亲自干活，只要不断和 AI 聊、补充信息、判断结果。最后拿到的东西，甚至会超过自己一开始设想的范围。

所以我不太担心 Token 用得多。我担心的是，有一天 API 不可用，或者强模型不能随便用了，我会不会突然不知道该怎么干活。

贵，不等于不划算

用过 GPT-5.6 Sol 以后，我确实不太愿意回去用弱一点的模型。

不是说别的模型完全不能用，而是同一个任务，Sol 往往一次就能干得比较漂亮，速度也快。换成弱一点的模型，可能要花三倍时间，还要多轮沟通，最后也不一定能拿到最正确的结果。

这就是我现在看模型性价比的方式：不看每百万 Token 的单价，而是看完成同一个任务，到底花了多少时间、多少轮沟通，最后结果能不能用。

前阵子整理会议纪要，我曾经和其他 Agent 折腾了十分钟，结果没出来。交给 Codex，一分钟就完成了。如果人工整理，可能要一两个小时。

强模型贵一点，真的贵吗？

如果它能少走很多弯路，少返很多工，把一个原来会卡住的任务直接做完，那它反而可能是最便宜的。

为什么还要算这笔账

有人可能会问：既然好用，花钱不就行了，为什么要破？

如果家里住着大平层，烧几百上千美元或许不算什么。如果公司愿意花三千万元私有部署 Kimi K3，那当然也不用太在意每一次调用的成本。

但大多数个人和小团队，都在中间地带。

我们已经尝到了强模型的甜头，又不可能无限制地花钱。尤其像我这样，用低成本会员拿到了很大的调用量，最怕的不是现在花得多，而是以后这个条件没有了。

由奢入俭难，说的可能就是这种情况。

Token 依赖怎么破

我现在的答案，不是少用，而是别低效地用。

第一，不要什么活都交给最好的模型。复杂项目、研究探索、关键排错，应该舍得用最强的；整理、提取、格式转换、简单修改，没必要让博士去做秘书的活。

第二，不要以为自建模型天然省钱。我自己也部署过模型，也算过显卡、电脑、电费和维护的账。一块能跑三十几 B 模型的显卡，加上整机和常年的电费，并不便宜；更现实的问题是，它的“智商”未必够做真正关键的工作。

自建模型有它的价值，比如隐私、离线和高频稳定的任务。但如果只是为了省钱，未必比直接买外面的 API 或会员更划算。

它有点像储水式电热水器：设备和能耗先摆在那里，不用也在承担成本。按需买强模型，更像燃气热水器，单价未必最低，但需要时打开就有热水。

第三，会员本身就是一种杠杆。我们不必只盯着别人 API 烧了多少钱，更要看自己用多小的固定成本，换来了多大的工作能力。

最后的话

我最后的结论还是很明确：Token 值得买。

因为它买到的不是一串数字，而是时间，是更高质量的结果，也是一些原来做不出来、做不完的事情终于被推进了。

未来，Token 大概真的会变成水电煤。我们不会因为电费存在，就拒绝用电；也不会因为煤气要花钱，就不做饭。

真正要学会的，是哪些任务值得开大火，哪些任务只需要小火慢炖。也不必为了省下一点费用，就在家里先建一座火力不够的发电厂。