当 Claude Code、Codex 等 AI 编程代理长时间参与开发,成本不再只是一个订阅按钮,而是一笔需要逐项核对的工程账。据 Dev.to AI 的一篇开发者分享,一位独立开发者记录了 2026 年 10 月 8 日至 11 月 6 日的 30 天使用情况,并按 API 公开标价计算所有调用,得到的“影子账单”为 $8,360。这个数字不是他的实际账单:他使用固定费用套餐,实际支付的是套餐费。该数字的意义在于衡量同样工作如果走 API 会花多少钱,并帮助判断套餐是否覆盖真实使用强度。
一笔不是账单的账单:为什么要给 AI 代理做成本核算
这位开发者独自开发一款开发者工具,Claude Code 和 Codex 在一天中大部分时间运行。30 天中,Claude 的标价成本为 $8,056,Codex 为 $304,合计 $8,360。他关注这个数字,是为了判断固定套餐是否划算,以及哪些工作更昂贵。
另一个关键发现是日间波动。同一个人、同一个项目,两天之间的成本差距可达到七倍。月度平均会掩盖这种差异,而套餐限制真正要承受的,是最忙碌的一天。对于正在引入 AI 编程代理的开发者来说,这意味着预算不能只看“一个月大概多少钱”,还要看峰值日是否会触及使用上限。
钱花在哪里:Opus 占去约九成,单个 PR 成本差距明显
从模型分布看,成本高度集中。开发者称,每 $10 中约有 $9 流向 Claude Opus;其余所有模型合计约占十分之一,包括 Fable、Sonnet、Haiku,以及通过 Codex 使用的 OpenAI GPT 模型。由此得出的结论很直接:如果想降低数字,按任务选择模型比其他方法更有效。
在 10 月的一周,他的主项目合并了 45 个 Pull Request。代理相关工作按标价计算为 $343.78,平均每个 Pull Request $7.64。其中最贵的一个 Pull Request 达到 $71.13,约为平均值的九倍。相比月度总额,更值得追问的是:哪些变更成本显著高于平均水平,以及为什么会这样。
这种按具体代码变更核算成本的方式,把 AI 编程代理从“模糊的月费”变成了可比较的工程指标。开发者可以据此判断,哪些任务集中在更贵的模型上,哪些任务可以调整模型,哪些变更需要进一步拆解。
把代理费用变成工程数据:本地日志、按轮计价与任务分层
方法上,Claude Code 和 Codex 都在本地保存会话日志,但两者不会自动汇总。开发者将两边日志读入同一个本地表,再按模型和公开标价为每一轮交互计价,数据不离开本机。
他使用的工具是正在开发的 Caprock:一款免费、开源、采用 Apache-2.0 协议的桌面应用,支持 macOS、Windows 和 Linux。不过,这种做法并不必须依赖特定工具。开发者也可以直接读取 ~/.claude/projects/ 和 ~/.codex/sessions/ 中的日志,并对照 Anthropic 与 OpenAI 的定价页面,用脚本完成同样汇总。完整数字和方法位于 caprock.dev/numbers。
这份样本的价值,不在于证明 AI 编程代理是否昂贵,而在于展示一种成本观测方式。当代理长期运行并参与具体代码变更时,费用需要被拆到模型、日期、Pull Request 和交互轮次层面。这样,开发者才能判断预算应该向哪里倾斜,固定套餐能否承受峰值日,以及不同模型在不同任务上的成本差异。
- 看总额,也看峰值:月均成本会掩盖最忙一天的压力。
- 看模型分布:成本可能集中在少数更贵的模型上。
- 看任务单位:单个 Pull Request 的成本差异,比月度总额更能指导优化。
- 看本地数据:会话日志和公开定价足以构成成本核算基础。
对使用 AI 编程工具的团队和独立开发者来说,这份 30 天账本提供了一个可借鉴的起点:先把代理调用变成可统计、可归因、可比较的工程数据,再决定预算、限流、模型选择和任务分层方式。
原创文章,作者:点点,如若转载,请注明出处:https://www.dian8dian.com/ai-bian-cheng-dai-li-de-ying-zi-zhang-dan-30-tian-8360-mei