DeepSeek V4.1 Flash 跑 Agent 只要 Opus 5 的 1/50?这笔成本账我帮你算清楚

原创2026-10-11 22:54:001,421 阅读
文章标签:人工智能大模型AI Agent代码智能体Agent 框架MCP 服务CLI开发工具AI 技能提示工程

DeepSeek V4.1 Flash 跑 Agent 只要 Opus 5 的 1/50?这笔成本账我帮你算清楚

"11 万星浏览器 Agent 公开自测:DeepSeek V4.1 Flash 成本仅为 Opus 5 的 1/50"——这个数字在社区里迅速炸开。对普通对话任务,两个模型的价差大约只有 10 倍左右,为什么跑 Agent 能放大到 50 倍?是测试口径有问题,还是 Agent 场景天然对"便宜模型"有放大效应?

答案藏在 Agent 的 token 消耗结构里。本文不打算复述那篇自测,而是直接打开 Pi 仓库的源码,把成本计算链路一条条拆开,让你看清:这 1/50 是怎么算出来的,它的边界在哪,以及它对你选择模型策略到底意味着什么。

自测数据还原:成本差距是怎么测出来的

先看 Agent 的成本计量口径。在 Pi 里,一次会话产生的成本不是事后拍脑袋估的,而是从会话记录中逐条累加的。scripts/cost.ts 就是一个典型的成本统计工具:它扫描 ~/.pi/agent/sessions 下的 JSONL 会话文件,只挑出 assistant 消息,把每条消息的 usage.cost 按 provider 分桶累加,最后按天输出:

  deepseek       $0.0043  (128 reqs, in: $0.0021, out: $0.0022, cache: $0.0000)
  anthropic     $0.2140  ( 42 reqs, in: $0.0550, out: $0.1590, cache: $0.0000)

关键点在于:成本被拆成 input、output、cacheRead、cacheWrite 四部分(见 Usage 类型定义)。为什么拆得这么细?因为 Agent 场景里,决定最终账单的根本不是"你问了几次",而是这四类 token 各自走了多少量。

Agent 与普通对话最本质的区别是 token 的复利效应。一次普通的浏览器操作任务,Agent 往往要经历"理解需求 → 拆解步骤 → 调用工具 → 观察结果 → 修正计划"几十轮循环。每一轮,整个对话历史(含系统提示、工具定义、此前所有工具输出)都要重新作为 input 发送;每一轮工具返回后,新的结果又作为后续轮次的 input 继续膨胀。结果就是:input token 呈近似线性甚至超线性增长,output token 虽少但单价贵,缓存命中与否又决定了大头 input 的成本。

自测中"1/50"这个数字,正是这种结构下的产物:不是某一轮请求的单价差了 50 倍,而是整个任务跑完后,两家模型的总账单差了约 50 倍。而之所以差距远大于单价差,是因为便宜模型在 token 消耗上更"肆无忌惮"——同样的预算约束下,它敢把工具调用链拉得更长、试错更多,因为每次失败的代价足够低。

更专业的做法是像 Pi 的评测框架那样做受控对比。evals 的 harness 会在每轮评测结束后,读取 session 的真实 token 统计,结合模型目录中的定价算出 estimatedCostUsd 写入诊断元数据;随后 report.ts 把对照组(比如 Opus 5)和处理组(比如 DeepSeek V4.1 Flash)跑同一批任务,直接输出 Est. cost -$0.18 (with $0.004, without $0.18, N pairs) 这样的对比。这才是可复现的自测方法——同一任务集、同一 Agent 框架、同一工具链,只换模型。

1/50 背后的模型定价与算力逻辑

单价差距是账单差距的起点。Pi 的模型目录为每个模型维护一份完整的成本费率表,结构定义在 model-schema.ts:

const ModelCostRatesProperties = {
	input: Type.Number({ description: "Input cost in USD per million tokens." }),
	output: Type.Number({ description: "Output cost in USD per million tokens." }),
	cacheRead: Type.Number({ description: "Cache-read cost in USD per million tokens." }),
	cacheWrite: Type.Number({ description: "Cache-write cost in USD per million tokens." }),
};

四个费率都以"每百万 token 美元"为单位。DeepSeek 走的是典型的高效算力路线——通过 MoE 架构与极致推理优化把单位算力成本压到极低,因此 DeepSeek Provider 接入时只需声明 baseUrl 和模型目录,无需任何特殊定价逻辑;而 Claude Opus 5 作为闭源旗舰,费率本身就要高一到两个数量级。这就是"1/50"的第一个来源:纯单价差。

真正让差距放大的是第二层——缓存定价的杠杆。看 calculateCost() 的实现:

export function calculateCost(model: AnyModel, usage: Usage): Usage["cost"] {
	const inputTokens = usage.input + usage.cacheRead + usage.cacheWrite;
	let rates: ModelCostRates = model.cost;
	let matchedThreshold = -1;
	for (const tier of model.cost.tiers ?? []) {
		if (inputTokens > tier.inputTokensAbove && tier.inputTokensAbove > matchedThreshold) {
			rates = tier;
			matchedThreshold = tier.inputTokensAbove;
		}
	}
	// Anthropic charges 2x base input for 1h cache writes.
	const longWrite = usage.cacheWrite1h ?? 0;
	const shortWrite = usage.cacheWrite - longWrite;
	usage.cost.input = (rates.input / 1000000) * usage.input;
	usage.cost.output = (rates.output / 1000000) * usage.output;
	usage.cost.cacheRead = (rates.cacheRead / 1000000) * usage.cacheRead;
	usage.cost.cacheWrite = (rates.cacheWrite * shortWrite + rates.input * 2 * longWrite) / 1000000;
	usage.cost.total = usage.cost.input + usage.cost.output + usage.cost.cacheRead + usage.cost.cacheWrite;
	return usage.cost;
}

这段代码信息量很大,藏着四个决定账单的关键机制:

第一,分级定价(tiers)。 很多模型对超长请求有分档费率——输入超过某个 token 阈值后整单按新费率计。Agent 的请求动辄几万 token,很容易触发高档位。这意味着"单价差"在 Agent 场景里不是常数,而是随上下文长度变化的函数。

第二,缓存写入的惩罚性计价。 Anthropic 对 1 小时保留期的缓存写入按基础输入价的 2 倍计费(代码注释写得明明白白)。Agent 每一轮工具结果更新后,新内容都要写缓存,这部分成本在长会话里会反复叠加。而 DeepSeek 系模型的缓存写入费率本身极低,杠杆效果完全不同。

第三,缓存读取的"便宜"是双刃剑。 Agent 场景中系统提示、工具定义、历史消息绝大部分能命中缓存,所以 cacheRead 通常是大头。模型的 cacheRead 费率越低,Agent 的长会话越省钱——这正是便宜模型在 Agent 场景里把差距从"单价差"放大成"账单差"的核心机制。

第四,tiers 的匹配逻辑是"整单生效"而非"超出部分生效"。 一旦输入量跨过阈值,整单费率都切换,这放大了长上下文下旗舰模型的成本波动。

所以,1/50 不是营销话术,而是"单价差 × 缓存杠杆 × 试错自由度"三者相乘的结果。其中试错自由度最容易被忽略:用 Opus 5 跑一次失败的 Agent 尝试可能要花几十美分,而用 DeepSeek V4.1 Flash 跑同样的失败几乎可以忽略不计。这给了便宜模型一个旗舰模型永远无法拥有的能力——低成本试错,而这恰恰是 Agent 工作流中最频繁发生的动作。

对开发者选模型策略的直接影响

这套成本账算清楚之后,"该选哪个模型"就从一个品牌问题变成了工程问题。Pi 的模型目录本身已经给出了方向性的设计判断——AI 包 README 明确写道:聊天模型目录只收录支持工具调用(function calling)的模型,因为这是 agentic 工作流的前提。这提醒我们,选模型的第一标准永远是"工具调用是否可靠",成本只是第二维。

基于上面的拆解,实践中值得遵循的策略可以归结为三条:

一、用"混合路由"而非"单一旗舰"。 单靠 DeepSeek V4.1 Flash 跑全程,复杂任务的成功率可能打折扣;单靠 Opus 5 跑全程,账单会失控。更合理的做法是:把高频、可重复、低风险的操作(文件读写、搜索、格式化、批量处理)交给便宜模型,只在任务的关键决策点(架构设计、冲突解决、代码评审)才切换到旗舰模型。Pi 本身支持跨 provider 的模型切换与上下文交接,这类路由不需要自研。

二、把成本做成可观测指标,而不是事后账单。 会话中的每条 assistant 消息都带有 usage.cost 四元组,评测框架也能输出每轮任务的 estimatedCostUsd。这意味着你可以给每个任务、每个 provider、甚至每类操作建立成本基线。自测中"1/50"的结论之所以可信,正是因为它是从真实的会话 token 统计中算出来的,而不是估算的。你的项目也应该建立同样的计量体系——成本失控从来不是突然发生的,而是从不可见开始的。

三、正视"便宜"的隐性代价。 1/50 的账单优势是真实的,但它买来的是更多轮次的试错、更长的执行时间、以及偶尔需要人工兜底的失败率。对交互式 Agent 而言,执行时长和失败重试同样是有形成本(算力、精力、CI 排队)。正确的姿势是把"每任务成本"和"每任务成功率"放在同一张表里看,而不是只盯着单价。评测框架里 cost 与 pass rate 并排输出的设计,就是这个思路的体现。

回到开头的那个数字:DeepSeek V4.1 Flash 跑 Agent 的成本约为 Opus 5 的 1/50,在今天的定价结构下是站得住脚的,而且它揭示了一个比数字本身更重要的事实——Agent 的成本不是由模型单价决定的,而是由 token 消耗结构、缓存杠杆和试错策略共同决定的。理解了这笔账,你就能在旗舰模型的稳妥与廉价模型的高效之间,找到属于自己的那个平衡点。

登录后查看全文
pi