当团队评估 AI 编码智能体的成本时，往往会仔细审视模型。但三项独立基准测试指向同一个结论：智能体框架——也就是引导模型完成任务的软件——可能同样重要，甚至更能决定账单。原因是每一轮推理都要重新携带上下文，提供商在每一轮都要处理大量相互重叠的文本，其中包含框架自带的系统提示词与工具说明。

差距有多大

  • 6 月的基准测试：12 种配置通过 OpenRouter 跑相同的 12 个 Python 任务，每解决一项任务消耗的 Token 从 Aider（architect 模式）约 3500 个到 OpenClaw 的 29.2 万个；换到第二个模型后排名几乎不变，说明差异来自框架软件而非模型行为
  • Composio：用 DeepSeek V4 Flash 比较 8 种框架完成 30 个企业工作流（Airtable、Gmail、Google Calendar、Sheets、GitHub、Slack、PostHog），240 次执行中 129 次成功；每次成功成本从 Pi Agent 的 0.028 美元到 Claude Code 的 0.195 美元
  • Artificial Analysis：用 DeepSWE、Terminal-Bench v2.1 与 SWE-Atlas-QnA 共 326 项任务、每项运行三次取平均，持续发布框架与模型组合的单任务成本、token 用量与耗时

机制：启动税

6 月那项测试给这个现象起了名字——启动税。在提示词开始处理任何任务之前，框架就要先发送自己携带的负担：系统提示词、工具说明与环境设置，Aider 约 700 个 Token，OpenClaw 约 2.6 万个。问题在于它按轮重复支付：一个每轮至少携带 2.6 万 Token、持续 15 轮的框架，仅脚手架就消耗约 39 万个输入 Token。启动税乘以轮数，对每任务 Token 用量的预测 R² 在两个模型上均为 0.99。

这些数字该打多少折

Composio 自己披露了对照实验的局限：Pi 通过两个模型提供商运行时使用了不同的推理设置，Prime Agent 的 30 次运行中只有 24 次可以评分，因此不能称为严格控制单一变量的实验。方向可信，具体倍数需要拿自己的业务数据复核。

选框架要和选模型同等对待：预算里真正能砍的是脚手架，不是模型单价。