实测Agent外壳成本差5倍，建议换皮
UC Berkeley团队对7个主流模型在3种不同Agent外壳下的表现做了实测，发现即便底层模型相同，仅因外壳不同，单次任务成本差异可达5倍，例如Claude Code与Pi外壳对比，但成功率仅相差1.1个百分点（97.8%对96.7%）。根据实测数据，成本激增并非由推理步数增加导致，而是源于固定上下文开销。对于关注算力的开发者团队，这意味着默认使用厂商提供的重型外壳，等于在支付大量未使用容量的费用。目前的操作路径是选用Pi等轻量外壳与默认壳对比20至50个真实任务成本，并将稳定前缀存入缓存以摊薄固定开销。
这个优化方案适合谁
适用对象为需要部署编码Agent的开发者团队或中小企业，核心需求是降低单次任务成本。通过替换默认重型外壳为轻量级Pi薄壳，单次任务成本可降低50%至90%，且成功率基本保持不变。服务形式可设定为单次审计费或按月订阅的SaaS监控模式。
具体落地要花多少钱
启动测试环境的成本极低，主要消耗在API调用费上，完成50道测试题的预算控制在50至100美元以内。单个客户的全量审计周期约为2至3天。前期需完成1至2个案例，产出包含“成本降低50%”的实测数据截图，作为后续销售的实证材料。跨境服务客单价可设定在500至2000美元区间，国内服务则需适配Kimi K3等国产模型，重点协助企业降低API调用成本并实施前缀缓存策略。
最大风险在哪里
风险集中在复杂科学发现等边界难题上，薄壳因缺乏结构化引导可能导致成功率显著下降。合同需明确服务范围限定在常规编码任务，复杂探索类任务需单独定制重壳并另行报价。模型迭代速度快，旧壳优化方案存在过期风险，需每季度复核Harness配置。在对外沟通中应避免将“最高5倍”误解为“平均5倍”，需强调几何均值的普遍性，合理管理客户预期。
典型案例拆解
- 测试基准：UC Berkeley Sky Computing Lab选取SWE-bench Lite和Terminal-Bench 2.0各30题，每题跑3次，成本按2026年9月1日API价目计算，排除厂商折扣干扰。
- 关键发现：GPT-5.6 Luna在Claude Code中平均成本为0.152美元，在Pi中仅为0.030美元，成本差5倍，成功率从55.6%降至53.3%。
- 根因定位：成本差异源于固定开销，而非步数。Claude Code首次调用上下文超Pi的10倍，Josh Owens实测显示，仅回复“ok”一词，Claude Code消耗28,500 tokens，其中15,291为缓存读取。
- 优化动作：Pi仅提供read、write、edit、bash4个工具，砍掉20多个冗余工具，单次成本降至0.67美元，且位于成本-成功率最优比的Pareto前沿。
- 非自家壳优势：12组对比中9组显示非自家harness成功率更高，如Sonnet 4.6在Codex中解SWE题成功率为68.9%，优于自家Claude Code的66.7%，成本持平。
常见问题
问：为什么固定上下文开销会影响成本？
答：重型外壳如Claude Code在首次调用时会加载庞大的系统提示与工具定义，即便用户输入极短，这些固定前缀也会消耗大量tokens，导致缓存读取成本激增。
问：如何区分“最高5倍”与“平均5倍”的差异？
答：“最高5倍”指特定模型与外壳组合下的极值，而“几何均值”反映的普遍情况约为2.0倍至1.5倍。沟通时应使用几何均值管理预期，避免误导。
问：国内模型如Kimi K3是否适用此优化？
答：适用。核心逻辑在于减少冗余工具调用与利用前缀缓存摊薄开销，该策略对国产模型同样有效，重点在于帮企业降低API调用总成本。
来源 · 清霜之辰：阅读原文 →
