当 Token 从成本变成资本：Tokenmaxxing 2.0 的经济学

---

从一个被嘲笑的绩效指标说起

2026 年春天，Meta 做了一件被整个硅谷嘲笑的事：将 token 消耗量纳入工程师绩效 KPI。于是出现了两个 Claude Code agent 互相对话烧 token 刷绩效的奇观。分析师纷纷写文章，论证这是"token 浪费的新时期公地悲剧"。

半年后再看，这件事的核心不是 Meta 蠢不蠢，而是所有大厂都在面对同一个组织问题，而 tokenmaxxing 是最粗暴但最有效的解法。

问题的本质是 adoption（采用）。资深工程师拒绝用 AI 工具，不是不会，是不信。你把 Cursor 装到他们机器上，他们会用最别扭的方式操作，然后指着产出说"你看，我说了吧"。面对这种组织惰性，慢慢说服、培训、等文化转变，没有 KPI 衡量也不知道要多久。把 token 消耗写进绩效，用薪酬杠杆撬开抵触，让每一个人至少先上手——这是 blunt force，但不蠢。

tokenmaxxing 1.0 的任务已经完成了。所有人都至少在用 AI 辅助编程。补贴在消失，API 在涨价，OpenAI 和 Anthropic 都要 IPO 了，没有人再为"随便用"买单。

但 tokenmaxxing 真正的内核，正在另一个维度上复活。理解这个转变，需要先理解一个被实测验证的物理学变化——compounding correctness（正确累积）：agent 每多跑一圈，结果确实比上一圈更好，而非更差。

从"错误累积"到"正确累积"

2025 年到 2026 年初，让 agent 自主运行超过几分钟几乎必然失败。不是模型不够聪明，是错误会累积：一个小幻觉生成了一段不对的代码，下一步基于这段代码继续写，错误被放大、嵌入、变成系统的一部分。花越多 token，产出越差。这种"compounding error"天然限制了 token 消耗——多花的每一分钱都在降低质量。

Mythos 改变了这个方程式，而且改得非常具体。

英国 AI 安全研究所（AISI）在 Mythos 发布前做了独立红队测试。结果不是"又好了一点"，是一个结构性的断裂。

AISI 设计了一套 32 步企业级攻击模拟，代号 "Last Ones"，覆盖从钓鱼邮件投递、OAuth 令牌劫持、CI/CD 管道污染、容器逃逸到域控服务器横向移动的完整链路。据 AISI 评估报告，Mythos 平均走完 22 步，其中 3 次完整通关。作为对比，上一代 Opus 4.6 卡在第 16 步——恰恰是"权限提升后无法绕过 SELinux 策略"这个经典死结。

更反常的是 token 预算与产出的关系。据 Anthropic System Card 和 AISI 报告交叉确认，Mythos 找到了一个潜伏 17 年的 FreeBSD 内核 RCE 漏洞（CVE-2026-4747），单次推理完成，耗时 11.3 秒，消耗 287 万 token。AISI 邀请三位十年经验的 C 底层内核工程师分别独立手动复现同一推理路径，平均花了 47 小时。

AISI 的测试数据显示，在 Mythos 的安全漏洞发现任务中，增加 token 预算持续带来更多发现。需要注意：这个"无边际递减"的结论目前只在这一类安全攻防任务中得到验证，不能直接外推到所有任务类型。但即使在有限范围内，它的含义已经很重——

守住系统，需要在发现漏洞上花比攻击者更多的 token。不需要比攻击者聪明，只需要比他们肯花钱。安全不再是智力竞技，变成了 proof-of-work 竞赛。

这是"compounding correctness"（正确累积）的第一次大规模实证：在足够强大的模型上，更多的计算投入确实持续换来更好的结果，没有边际递减——至少在测试范围内没有。

Loop Engineering：从"提示 Agent"到"设计循环"

这个变化不只是理论上的。Boris Cherny，Anthropic Claude Code 团队负责人，在红杉资本 AI Ascent 2026 大会上说了一句话，被广泛传播：

"I don't prompt Claude anymore. I have loops running that prompt Claude and figure out what to do. My job is to write loops."

"我不再提示 Claude 了。我有循环在运行，它们去提示 Claude 并搞清楚该做什么。我的工作，是写循环。"

一周后，Peter Steinberger（PSPDFKit 创始人）发了条推文："你不该再去提示编码 Agent 了。你该去设计循环，让循环去提示你的 Agent。"520 万次浏览。Google Chrome 团队的 Addy Osmani 同日给这个东西起了正式名字：Loop Engineering（循环工程）。

为什么 loop 现在能用了，而去年不能？

去年 7 月，这个东西叫"Ralph Wiggum loop"——命名来自《辛普森一家》里的 Ralph，"我做的每件事都好失败"。agent 跑一圈出一堆 bug，再跑一圈 bug 更多。你要精心设计 prompt、手写 guardrail、在几十个环节中插入人类检查点。Anthropic 官方的推荐做法也不是 loop，是让模型先写计划、人类 approve、再执行。

compounding correctness 改变了这个门槛。agent 跑完一圈，把结果喂给下一圈，下一圈的结果确实比上一圈好。不需要人工介入，不需要精心设计的检查点。Cherny 在台上那句话背后的东西不是技术突破，是可靠性突破。

loop + compounding correctness 的实际含义：一个 agent 可以在无人监督的情况下把自己的解决方案迭代到收敛。"人类提需求，agent 自己迭代到成品"这个一年前还是笑话的设想，正在变成工程实践。

用实测数据替代假设

原文初稿用了一个假设性举例："如果 Claude 每圈提升 1.1x、GLM 5.2 每圈提升 1.05x 但便宜 5 倍，多跑几圈就能超越。"这个数学是正确的，但举例是虚构的。

2026 年的实际 API 定价让这个框架比虚构版本更有力：

GPT-5.2 Pro 的输出价格是 DeepSeek V4-Flash 的 600 倍，是 GLM-4-Flash 的 12,000 倍。即使旗舰模型单圈推理质量高出 30-50%，在"每美元提升率"这个维度上也很难胜出。只要 loop 的每圈提升率乘以可负担的圈数超过贵模型，总产出就更优。

这不是理论推演。compound 运算的数学很清楚：底数小一点不要紧，只要指数够大。1.05 的 10 次方是 1.63，1.1 的 3 次方是 1.33——同样的预算，便宜的模型多跑几圈就能超越贵的模型少跑几圈。当然，这需要时间充裕、不受 API rate limit 约束的离线场景。实时交互场景中，单圈质量仍然是决定性因素。

在 compounding correctness 时代，模型之间比的不是谁单次推理最好，而是谁每美元的提升率最高。这是 token 经济的"夏普比率"——单位成本的复合质量增益。如果这个框架成立，前沿闭源模型的定价溢价会持续承压。德银 6 月报告指出"前沿模型日常任务成本是开源 65 倍"，底层逻辑就是这个。

不是所有 token 都值得烧

但 tokenmaxxing 2.0 有一个黑暗面，需要区分两种完全不同的 token 消耗。

给开发者的工具：Claude Code、Cursor、loop——token 成本对应的是人的生产力增益。JetBrains 对 1.5 亿条 IDE 行为数据的分析显示，"人人 10 倍提效"仍是少数场景，但每次交互平均省 40 分钟（Telus 5.7 万员工实测数据）。算得清账。

给管线的 agent：用 LLM 替代确定性的管线逻辑。这正在成为企业 AI 预算里增长最快、也最脆弱的一笔支出。

Google Cloud 2026 年 Agent 落地报告追踪了 200+ 企业部署的 agent 管线，发现一个模式：企业把 AI agent 插进现有管线的中间，上一层 agent 的输出是下一层的输入，形成多 agent 串联。报告中最常见的 case：客服工单分类 agent → 路由 agent → 回复生成 agent → 质检 agent，四层串联，token 成本是单次调用的 4 倍加串联损耗。Google 的分析结论是："每增加一层 agent 串联，端到端失败率不是线性增长，是指数级恶化——因为每一层的不确定性都会被下一层放大。"

这跟 compounding correctness 恰恰相反——不是"多跑一圈更好"，而是"多叠一层更差"。

根本原因不是模型不够好，是 LLM 在非确定性输出上构建确定性管线本身就是错误的工程模式。任何 LLM 的输出都有随机性（temperature 不可能为零），一层 agent 输出"可能对"，两层叠加后变成"可能对 × 可能对"，三层变成概率乘积，收敛不到稳定阈值。而管线逻辑需要的恰恰是确定性——工单分类必须是确定的，路由必须是确定的，质检的标准必须是确定的。在该放确定性的地方放了一个概率系统，就等于在该放电路的地方放了一个天气预报，不管预报做得多准，结果都不对。

正确的分层：LLM 做输入分布不可预测的任务（理解意图、发现新模式、生成方案），规则代码做确定性的决策和阈值判断。LLM 识别出一段文本"可能违规"→ if confidence > 0.85: 拦截——这才是合理的分工。LLM 是传感器，不是裁定者。

管线 agent 不会因为 compounding correctness 的进步而变好——它的问题不是"跑得不够多"，是架构本身错了。真正的方向是通用 agent 平台（一个能写代码、能检查、能部署的系统），而不是一百个针对不同任务的定制 agent。CFO 审计深入后，第二种会被替换掉。

Token 的经济性质正在改变

如果 compounding correctness 成立——如果花更多 token 确实持续产出更好的结果——那么 token 在经济上的性质就变了。

今天 token 被当运营成本（opex）核算：花 $1 买推理算力，产出 $1.2 的价值，赚 $0.2。但如果 token 的产出是累积性的——今天花的 1000 万 token 让明天的系统比昨天强——那么 token 就变成了资本支出（capex）。就像训练一个模型是 capex 一样，推理也可能变成 capex。

如果推理是 opex，企业有动力压到最低。如果推理是 capex（因为它有 compound return），企业有动力投到能力上限。谁的推理 token 能产生最高的 compound return，谁就在 AI 基础设施竞争中占据更有利的位置。这不一定是 Anthropic 或 OpenAI——如果开源模型的"每美元 compound return"超过闭源，开源推理基础设施就会成为最大的赢家。而推理效率的底层参数——KV Cache 命中率（缓存已处理上下文的复用率，命中率每提高 1% 就避免 1% 重复计算）、batch size 调度、上下文窗口管理——在 compounding correctness 的逻辑下，直接决定了谁能跑得最快、最便宜。

---

第一波 tokenmaxxing 是高管用绩效杠杆强制推行 AI 工具采用。第二波将是工程师主动多跑几圈自己的 loop，因为多花的 $5 token 成本能省下两个小时的人工。

问题不在于谁的模型在 benchmark 上高两分。问题是当推理从运营成本变成资本支出，谁的每美元 compound return 更高——这个参数决定了未来十年的 AI 基础设施格局。