一次 agent 提交要过五道关，账单只记了前三道

十月中旬这一周，代码智能方向出现了两组指向相反的数字。

一组说变便宜。伊利诺伊大学厄巴纳-香槟分校的团队在 300 个 SWE-rebench 近期问题上做了对照：等 token 预算下，让 agent 挑整份文件来看，比压缩上下文多解 6.3 个百分点的问题，比检索代码块多解 9.3 到 12.7 个百分点（arXiv:2610.21073，10 月 15 日提交）。TypeSafe AI 的决策模型 Jev 上了 Vercel 网关，两周内被 35% 的付费团队调用，覆盖面接近第二名 Sonnet 5.5 的两倍。

另一组说变贵。隆德大学与查尔姆斯理工的两位研究者在 465 个由 agent 撰写的拉取请求上做了预注册研究：代码健康度每差 1 分，多 agent 评审流水线就要多花 3.5% 到 6.1% 的 token（arXiv:2610.21914，10 月 15 日）。同一周，239 名来自 31 个国家的从业者接受调查，61.1% 的人说自己对 AI 撰写的拉取请求要求更高的证据；在残留不确定性下选择阻断合并的比例，从人工 PR 的 19.4% 涨到 43.9%（arXiv:2610.21144，10 月 15 日）。

两组数字都对，它们量的是同一条流水线上不同的段。把流水线拆开，一次 agent 提交要过五道关：读对文件、中途决策、机器评审、人类批准、分数可信度。前三道有计价单位——token。后两道没有。降本发生在有单位的那三道，卡住交付的偏偏是没单位的那两道。

一、读对文件：预算该花在选文件上

SWE-bench 的代码库平均有 3,010 个非测试文件、43.8 万行，任何上下文窗口都装不下。现成的两条路各有各的毛病：检索器按「与 issue 像不像」给代码排序，而修一个 issue 需要的是「这段必须改」；压缩器把文本删掉凑预算，可模型要逐字复现它编辑的那些行。

论文里给了一个具体样本：pypa__twine-1225 报告某些报错信息缺了 f-string 的 f，正确补丁改的是 twine/sdist.py。BM25 把预算全填成了仓库里的 issue 模板（措辞高度重合），从头到尾没让模型看到要改的那个文件；LLMLingua-2 保住了文件却删掉了第 23 行的 f 前缀和引号，模型于是去改一行并不存在的代码。

作者的解法 CQ2-CARE 不做压缩，只挑文件：把预算全花在「哪些文件整份显示」上。300 个近期 SWE-rebench 问题，每个问题固定同一 token 预算，用基准自带测试判分，GPT-5.6 解出 43.7%、Claude Opus 5 解出 46.7%，比三个压缩器里最好的高 6.3 点，比三个检索器里最好的高 9.3 和 12.7 点。它甚至压过了为修 issue 专门训练的方法：比 SweRank 高 0.7 和 1.7 点，比 SWE-Pruner 高 2.0 和 7.3 点。

这一道的账最清楚。每个 prompt token 每次调用都要付，省下来的是能写进发票的钱。

二、中途决策：把拍板交给便宜的判定器

修代码是连串决策，每步决策都在改写后续轨迹和后续 token。JevCoder（arXiv:2610.19596，10 月 14 日）问的是：哪些决策可以交给一个低成本的判定模型？判定器只在预定义答案上输出概率分布，不生成解释。

三个修复模型各跑同一批 400 个任务（200 个来自 SWE-bench Verified、200 个来自 SWE-Bench Pro Verified）。相对无引导修复，JevCoder 把修复模型的平均 token 用量压低 21.6% 到 50.6%，三个模型的修复率还都更高。论文给了一条比数字更值钱的判据：收益取决于一次干预改变了多少后续工作，而不只是这次判定本身有多便宜。

产业侧的信号已经很硬（TechCrunch，10 月 16 日）。Jev 9 月 15 日限量发布，Vercel 的 AI Gateway 数据显示两周内 35% 的付费团队在用，Vercel 自己拿它替换 GPT-6 Luna 来分类有害命令。这一道的账同样落在 token 上。

三、机器评审：质量第一次有了价格，收益却不落在质量上

CodeHealth 是一项预注册研究：465 个 agent 撰写的 PR，来自 246 个仓库，按代码健康度与 PR 规模联合分层并对仓库设上限；一条冻结的五 agent 评审-修复流水线用三个不同 LLM 各跑一遍。主模型是 log(tokens_total) ~ health + log(footprint) + language + (1|repo)。

三个系数全为负，95% 置信区间都不含零：deepseek-v4-flash 为 −0.062 [−0.090, −0.035]，qwen3-6 为 −0.049 [−0.085, −0.014]，sonnet-5 为 −0.036 [−0.070, −0.001]。换成每 1 分健康度，对应 token 下降 6.1% [3.4, 8.6]、4.8% [1.4, 8.1]、3.5% [0.1, 6.8]。不健康档的中位健康度是 2.8，健康档是 9.7，差 6.9 分——同等规模下，总 token 分别降 35.0%、28.9%、21.8%。

这个效应不是 PR 规模造成的：健康度与 PR 规模无关联（β = +0.014，p = .657），而 PR 规模恰恰是最强的成本驱动（β = +0.445）。探索性分析把多出来的 token 定位在评审阶段——agent 在不健康代码上迭代更多次，却不写更多评论。评论条数与真实成本脱钩了。按被评分文件大小调整后，这个关联被吸收，作者据此判断中介变量是文件大小：重构要改的是结构与文件尺寸，不是那个分数。

最锋利的一格在敏感性分析里。qwen3-6 排除 103 个含非完整会话的 PR 后，系数从 −0.049 衰减到 −0.026 [−0.068, 0.016]，p = .23。被排除的这批中位健康度 6.9（保留的是 8.4）、中位规模 134 行（保留的是 87 行）、token 总量中位高出 2.6 倍；120 个被护栏停下的会话里，119 个以打转告终。论文把话说白了：这个模型单独的结论，取决于注册时把「打转的评审」算作成本还是算作噪声。agent 在没有产出地绕圈子算不算花钱，是一个会计决策，不是一个技术参数。另有一格更冷：批量修复跑完之后，中位健康度没有变化。

四、人类批准：唯一没有计价单位的一道

239 名从业者、31 个国家、配对的提问（人工 PR 与 AI PR 各问一遍）。64.9% 的人对 AI 撰写的 PR 初始信任更低；61.1% 要求更高的证据；残留不确定性下阻断批准的比例从 19.4% 涨到 43.9%。

更值得注意的是验收方式本身变了。认为「自己把关键用例推一遍就够」的比例是 55.2%（AI PR）对 28.5%（人工 PR），而对测试覆盖的依赖下降；作者履历与子系统熟悉度的权重让位给「提示者是谁」和改动范围有没有边界。所有权不清会让评审停摆的比例是 29.3% 对 14.6%。开放题里反复出现的那句话是：在缺少可靠上下文和人类问责的情况下，验证一段「看起来对」的代码非常难。

作者把这件事定性为证据归属问题，不是正确性检查。他们给工具提的要求是暴露来源、区分生成的主张与人工验过的证据、在批准之前把不确定性摆出来。

关键在最后一句推论：前三道省下的 token，一分都不会自动流到这一道。这一道付出的是人的注意力，而注意力没有单价。

五、分数可信度：省下来的收益要在这里重新称量

BenchChecker（arXiv:2610.19447，10 月 14 日）不动模型，只做取证：先做仓库存在性测试，用代码前缀探测模型是否见过该仓库；再做补丁存在性测试，用相似度对齐加测试套件验证补丁是否还在近期快照里。在 StarCoder-15B、StarCoder2-15B、CodeGen2-16B（均基于 The Stack v2 训练）上，六个基准的检出 AUC 约 0.9。

把它用到 SWE-bench Verified 与 Multi-SWE-bench 上：过滤掉受污染样本后，中等难度任务上多数 LLM 的报告解决率下降超过 20%。

这一层的账还没结。第一道省下的 6.3 个百分点、第二道省下的 21.6% 到 50.6% token，都得在去污之后的分数上重新称一遍。基准的分子里混着训练时见过的补丁时，前三道账本上的收益未必成立。

把五道关并排放在一起，账单的形状就清楚了：

前三行的单位可以直接相加，后两行的不行。这就是全部问题所在。

行业影响：给人的注意力标一个价

Anthropic 10 月 16 日发布的 《How employment is changing at Anthropic》 给出了最接近全貌的一组内部数字。工程师人均代码提交量是六个月前的 5 倍，管理者的提交翻倍；192 名采用编码 agent 的工程师对照 74 名未采用者，在同一员工、同一月份、同一代码目录里比较，agent 写的代码与人工写的代码「在被删除或回退的行数比例上没有差异」。报告自陈的局限也写得很直白：更多代码不必然意味着更好的代码或商业影响。

真正的新东西在另一半。即便非技术员工，读完全部 agent 输出要花掉半个星期工作周——换算口径被原样写进了脚注：0.75 words/token，250 words/分钟。交互式会话里约 80% 的时间是 agent 在等人类输入，一位工程师的原话是人在「bottlenecking the agents」。会议时间中位数同比涨了 20%，技术岗个人贡献者涨 16%；初级技术岗的招聘占比从 27% 掉到 9%。

这组数字的意义在于：Anthropic 用 0.75 与 250 这两个参数，第一次把 token 换算成了人类阅读小时。方向与 CodeHealth 恰好相反——后者把代码质量换算成 token，前者把 token 换算成人类时间。两把尺子接上，一段 agent 提交的总成本才第一次变得可算。中间还空着的一格是信任。

未来展望：第四道关的凭据会长什么样

Code of Theseus（arXiv:2610.20068，10 月 14 日）从紧凑仓库表示、静态依赖图和关键上下文文件里恢复出对齐的干系人意图、需求与架构，发布了 10,764 个 Java、Python、C/C++ 与 C# 仓库的产物。它的检验方式是一场软件版忒修斯之船：给 agent 一个接口契约和部分测试，让它只凭意图、或补上恢复出的需求与架构，重建 29 个 Commit0 库。留存测试通过率是 33.7% 对 35.8%，没有显著变化；模块 F1 却从 0.54 升到 0.63。这些产物带出来的是测试测不到的那一维——设计。第四道关要的凭据，长得更像这个。

边界那一侧也在补。SWE-MISBEHAVIOR（arXiv:2610.18206，10 月 13 日）用 7.4K 人工介入合成的样本覆盖代码生成、文件管理、系统交互三层动作空间共 11 种越界行为，在 OpenHands 与 smolagents 上测到依赖误解最高占 98.5% 的用例、非预期修改用户输入 50.5%、静默破坏环境完整性 53%；配套的 CODE-KIT 把越界降低 52%（smolagents）与 34%（OpenHands），任务完成率反而上升。

Doc2Harness（arXiv:2610.20344，10 月 14 日）第一次把 harness 工程本身做成了确定性基准：19 个前沿模型各做三次独立构建、328 个测试用例。GPT-6 Astra 通过率 53.05%，最弱模型 27.44%，差约 26 个百分点——最强的模型也失败近一半，失败集中在横切功能怎么跨模块拆分。

结论

一次 agent 提交要过五道关，账单只记了前三道。想让后两道也能记账，有三件事今天就能做：评审成本别看评论条数，看迭代次数；能力提升别看通过率，看去污之后的解决率；每一段 agent 产出都补一个「谁为它负责」的字段，让证据有归属。

代码智能的降本发生在能计价的地方，卡住交付的恰恰是还没被计价的那一段。谁能给信任标上单位，谁就定义了下一阶段的工程标准。