7 月 3 日，罗福莉在 X 上谈 Agent 定价，提醒 LLM 公司在没算清楚“coding plan 怎么定价不亏钱”之前，不要急着打价格战。她还提到一个更具体的方向：上下文管理、复用已有计算结果、减少无效 token 消耗，会成为 Agent 时代模型必须补的课。
这句话落到部署团队身上，就是月底 API 账单。
虎嗅 6 月底的文章也提到，Agent 开始被塞进微信对话框、电脑桌面和企业业务流，模型 API 调用量随之上涨。用户对“看起来很聪明”的通用模型兴趣下降，愿意付钱的前提变成了：它到底能不能干活，干活时贵不贵。
我们用同一套客服 Agent 工作流，跑了 1000 次对话，对比智谱 GLM-4-Air、月之暗面 Moonshot-v1-8k、百川 Baichuan4-Turbo、DeepSeek-V2.5 四个模型的账单。价格按 2026 年 7 月 7 日官网公开阶梯定价计算。
Agent 的钱花在哪里
普通聊天 API 很好算：输入 token 加输出 token，再乘单价。
Agent 麻烦得多。掘金那篇 Agent 成本拆解文章说得很直白：每一次“思考”都要消耗 token，每一次工具调用都可能产生费用，每一轮对话还会把上下文继续带下去。上下文越长，后面每次调用越贵。
这次测试把成本拆成四块：
- 推理 token：模型输入和输出本身的费用
- 上下文累积：多轮对话里，历史消息反复进入输入
- 工具调用：订单查询、知识库检索、优惠券校验带来的额外 token
- 重试纠错：格式错、工具调用失败后重新生成
客服 Agent 的任务不复杂：退换货咨询、订单查询、优惠券规则解释。但只要进入多轮对话，账单就开始变形。
同一套客服流程，跑 1000 次
测试里的客服 Agent 设置如下：
- 系统提示词约 800 token，包含角色、业务规则和工具调用规范
- 工具有三个：订单查询模拟 API、退换货政策本地知识库、优惠券校验模拟接口
- 共 1000 次用户对话，平均 6 轮
- 场景覆盖简单查询的 2 到 3 轮，也包括复杂投诉的 8 到 12 轮
- 按各厂商阶梯价格，累计 token 后计算账单
这组用量接近一个中等规模团队的月度测试量：1000 次 Agent 对话，平均 6 轮，总 token 消耗落在 800 万到 2400 万之间。多数厂商在这个区间会进入第二或第三阶梯。
智谱：单价下来了，重试还要管
GLM-4-Air 的阶梯分得比较细。输入价格从 0.5 元/百万 token 起步，月消耗超过 1000 万 token 后降到 0.3 元，超过 5000 万后降到 0.15 元。输出价格始终是输入的 3 倍。
1000 次对话里，GLM-4-Air 的 6 轮对话平均累积输入约 4200 token。总输入 1890 万 token，总输出 210 万 token，工具调用额外 180 万 token。
最后账单是 427 元。
这个结果不算高，但有一块浪费比较明显：工具调用失败重试率约 8%，多消耗了约 40 万 token。如果提示词和工具参数再收紧，账单还有下降空间。
Moonshot：上下文稳，输出偏贵
Moonshot-v1-8k 的输入价格为 0.6 元/百万 token，输出 1.8 元/百万 token，阶梯门槛设在 2000 万 token。超过后，输入降到 0.35 元。
它在长上下文上更稳。6 轮对话的输入 token 累积控制在 3800 左右，比智谱低一些。但输出更长，同样问题下，回复平均多出 15% token。
这轮测试里，Moonshot-v1-8k 总输入 1710 万 token，总输出 250 万 token，工具调用额外 160 万 token。
账单是 495 元，四家里最高。
差额主要来自输出。Agent 场景里，模型要生成工具调用指令、结构化参数和错误处理内容，输出 token 的权重会被放大。输出单价高，月底账单很容易被推上去。
百川：这次最低，靠的是少返工
Baichuan4-Turbo 的阶梯门槛较低。输入 0.4 元/百万 token，超过 500 万 token 后降到 0.2 元；输出从 1.2 元降到 0.6 元。
它在这次客服 Agent 里最占便宜的地方，不只是价格，而是工具调用干净。
退换货政策检索和订单查询的指令遵循比较稳定，重试率只有 4%。输入 token 累积约 3950/轮，总输入 1770 万 token，总输出 195 万 token，工具调用额外 140 万 token。
最终账单 348 元，是四家里最低的。
但它也不是没有代价。复杂多轮对话超过 10 轮时，Baichuan4-Turbo 偶尔会丢失早期上下文，需要额外注入摘要。对话轮次继续拉长后，摘要和结构化提示词可能吃掉一部分成本优势。
DeepSeek：单价低，不等于总账单最低
DeepSeek-V2.5 的价格最激进：输入 0.14 元/百万 token，输出 0.42 元/百万 token，几乎不做阶梯区分。这个价格看上去很适合批量推理。
但在这套客服 Agent 里，它的上下文累积更快。6 轮对话平均输入达到 4500 token，原因是系统提示词需要更长的格式化指令来保证工具调用稳定。
测试结果是：总输入 2025 万 token，总输出 230 万 token，工具调用额外 170 万 token。
账单 385 元。
单价很低，但 token 用量也更高，所以总成本没有明显低过百川。更关键的是适配期：工具调用格式要求更严，初期重试率一度达到 12%，两轮提示词优化后才降到 6%。如果直接上线，账单可能超过 450 元。
真正拉开差距的三件事
四家模型跑完，账单从 348 元到 495 元，最大差距 42%。表面看是价格差，拆开后更像是工程细节差。
第一，上下文会吃掉输入折扣。
很多团队选模型先看输入单价。但 Agent 的多轮对话会让输入 token 一轮轮膨胀。GLM-4-Air 输入单价降幅明显，可上下文管理不如 Moonshot 紧凑，实际输入 token 多了 10%。单价省下来的钱，被额外消耗抵掉了一部分。
第二，输出价格在 Agent 里更敏感。
普通聊天里，输出占比通常不高。到了 Agent，模型要写工具调用、参数、格式化结果和异常处理。输出一长，输出单价就变成主变量。Moonshot 这次账单最高，主要就高在这一块。
第三，重试率是最容易被低估的成本。
DeepSeek-V2.5 的单价最低，但初期 12% 的重试率会让成本明显上升。每一次重试，都意味着前面的输入上下文要再发一次，新输出也要再生成一次。这个钱在报价页上看不到，只会出现在账单里。
选型别只盯每百万 token
如果只看官网报价，DeepSeek-V2.5 很容易排在前面，百川次之。跑完 1000 次真实工作负载后，判断要细一些。
对话短、工具简单，比如 3 到 5 轮，DeepSeek 的低单价有优势。但前提是提示词适配到位，把重试率压到 5% 以下。
对话在 5 到 8 轮、工具调用频繁，Baichuan4-Turbo 这次更合适。它的阶梯价格和低重试率叠加后，账单最低。
如果经常处理 10 轮以上长对话，上下文稳定性会比单价更重要。Moonshot 的长上下文表现更稳，智谱的阶梯深度也有价值。
团队如果有较强提示词工程能力，可以选低单价模型，再通过系统提示词压缩、工具描述收敛、错误格式约束来降 token。反过来，如果没有时间调优，便宜模型不一定便宜。
罗福莉提到的“优化上下文管理、复用已有计算结果、减少无效 token 消耗”，在这次测试里对应得很清楚：百川账单最低，并不是因为它在所有方面都最强，而是返工少、工具调用干净。
Agent 的 API 成本，最后往往不是模型报价表决定的。它藏在每一次冗余上下文、每一次格式错误、每一次重试里。1000 次对话，348 元和 495 元之间，差的是工程化细节。
