Cursor隐性加价争议：缓存token被收12.5倍附加费

一位重度企业用户的公开质疑

近日，一位自称长期重度使用 Cursor 企业版的开发者在 Reddit 上发帖，直指 Cursor 在新推出的 Luna 定价方案中存在不合理的加价行为。这位用户开门见山地表示，自己对 Cursor 这款产品本身相当满意，但对其定价机制中隐藏的高额附加费（他称之为"Cursor Tax"）感到无法接受。

这场争议的核心并不在于 Cursor 是否应该盈利——用户明确表示"我乐见 Cursor 赚取利润"——而在于其在 token 计费层面的加价幅度已经明显偏离了底层大模型 API 的真实成本结构。

争议焦点：缓存命中也被收全额附加费

根据发帖者的分析，Cursor 对 token 收取统一的 0.25 美元附加费。单看这个数字似乎微不足道，但魔鬼藏在细节里——这笔附加费同样适用于**缓存命中（cache hits）**的 token。

理解Token计费：AI编程工具的成本基础

Token 是大语言模型处理文本的基本单位，通常一个英文单词对应 1-2 个 token，中文一个字约 1.5-2 个 token。在 AI 编程工具的使用场景中，每次与模型交互都会产生输入 token（用户发送给模型的上下文和指令）和输出 token（模型生成的代码和回复）。由于编程任务往往需要将大量代码文件作为上下文传入模型，单次请求的 token 消耗量远高于普通对话场景，因此 token 单价的微小差异在累积后会产生巨大的成本差距。

为什么缓存命中的定价如此关键

在实际的 AI 编程场景中，缓存读取（cache reads）占据了 token 消耗的绝大部分。发帖者指出，编码任务中缓存命中率通常高达 90% 以上。原因很简单：在一次持续的编码会话里，大量上下文（如代码库文件、历史对话）会被反复读取，而这些内容会被大模型提供商以极低价格的缓存机制处理。

Prompt Caching 的技术原理：Prompt Caching（提示缓存）是大模型 API 提供商为降低重复计算成本而推出的优化机制。当用户多次发送包含相同前缀的请求时（例如同一段系统提示或同一批代码文件），API 提供商会将这些重复部分缓存起来，后续请求无需重新计算注意力矩阵，从而大幅降低 GPU 算力消耗。OpenAI、Anthropic 等主流提供商均已支持这一特性，缓存命中的 token 通常按正常输入价格的 1/10 甚至更低收费。在 AI 编程场景中，由于代码库文件在整个会话期间基本不变，缓存命中率极高，这使得实际的模型调用成本远低于名义上的输入 token 价格。

按照行业惯例，缓存读取的成本应当只有普通输入 token 的 十分之一 左右。因此，对缓存命中收取与普通 token 相同的全额附加费，本质上是把最便宜的那部分成本按最贵的标准来加价。

以Luna为例：逐项拆解实际加价幅度

发帖者以 Luna（基于 OpenAI 模型）为例，列出了底层 API 的真实价格。Luna 是 Cursor 于 2025 年中推出的一个新的计费模型层级，代表了 Cursor 从固定订阅制向按量计费（usage-based pricing）转型的尝试。在这一新的定价架构下，用户不再只是支付每月固定的订阅费用，而是根据实际消耗的 token 数量付费，这使得底层成本结构对终端用户变得更加透明——但也让加价行为更容易被精打细算的用户发现。

具体的底层 API 价格如下：

• 输入 token：0.2 美元/百万token
• 输出 token：1.2 美元/百万token
• 缓存读取：0.02 美元/百万token

将 Cursor 的 0.25 美元附加费对照这些数字，加价幅度相当惊人：

输入token加价超过100%

底层输入成本为 0.2，而附加费高达 0.25，意味着 Cursor 在输入 token 上的加价超过了 100%——用户实际支付的价格是原始成本的两倍多。

缓存读取加价高达12.5倍

最夸张的是缓存读取部分。底层成本仅为 0.02，但附加费为 0.25，相当于加价 12.5 倍。这正是发帖者标题中"10x cost"（十倍成本）的由来。对于一个 90% 成本都来自缓存的编码工作流而言，这种加价方式的影响被急剧放大。

GPT Sol同样存在类似加价问题

发帖者强调，这一问题并非 Luna 独有。他观察到 GPT Sol 对缓存读取收取 0.50 美元——虽然定价逻辑与 Luna 不同，但依然意味着约 50% 的加价。

换句话说，无论选择哪个模型，Cursor 都在缓存读取这一环节设置了显著高于成本的溢价。这暗示着这可能是一种系统性的定价策略，而非某个模型的偶然设置。

中间层工具的价值与定价合理性之辩

要公正地看待这场争议，也需要理解 AI 编程工具在底层模型之上所构建的工程价值。Cursor 等工具并非简单的 API 转发层，它们在底层模型能力之上构建了大量附加能力：智能的上下文检索（自动选择相关代码文件作为上下文）、代码索引系统、多文件编辑协调、diff 生成与应用、终端集成、以及针对编程场景优化的提示工程。这些附加能力需要持续的研发投入和基础设施成本来支撑。

因此，在 API 成本之上收取一定溢价在行业内是普遍做法。争议的核心在于：这种溢价是否应该按统一的 token 附加费方式收取，还是应该区分不同类型的 token（特别是成本极低的缓存命中 token）来设定差异化的加价比例。当缓存命中 token 的附加费率高达底层成本的 12.5 倍时，"合理溢价"的边界显然已经被突破。

企业客户为何默许这种定价

发帖者最后抛出了一个尖锐的问题："为什么企业客户愿意接受这样的定价？"

这个问题值得深入思考，可能的原因包括：

• 计费透明度不足：token 级别的附加费结构复杂，普通用户甚至企业采购方很难在使用前算清缓存命中带来的实际溢价。
• 切换成本高：Cursor 已深度整合进许多团队的开发工作流，迁移到其他 AI 编程工具意味着重新培训和适应成本。在企业软件领域，工具切换成本历来是影响采购决策的关键因素。对于 AI 编程工具而言，这种锁定效应体现在多个层面：团队已形成的工作流习惯、积累的提示模板和配置、与 CI/CD 管道的集成、以及企业安全合规审批流程的沉没成本。此外，不同 AI 编程工具（如 GitHub Copilot、Windsurf、Augment 等）在代码理解深度、多文件编辑能力、Agent 模式等方面存在显著的体验差异，这使得纯粹的价格比较变得困难。
• 产品体验形成壁垒：正如发帖者本人所说，他对产品本身很满意——优秀的用户体验往往能够掩盖定价上的不合理。

这场争议折射出的行业定价趋势

随着 AI 编程工具进入商业化深水区，如何在底层 API 成本之上构建可持续且合理的定价模式，正成为行业关注焦点。缓存机制的普及大幅降低了模型调用的边际成本，但如果中间层工具不将这部分成本节约传递给用户，反而按原价甚至溢价收取，就容易引发用户的信任危机。

从更宏观的视角来看，这场争论反映了 AI 工具链中一个结构性张力：底层模型提供商（如 OpenAI、Anthropic）通过技术优化不断压低 API 调用成本，但这些成本红利是否能传导到终端用户手中，取决于中间层工具的定价策略选择。如果中间层选择"截留"成本节约，短期内或许能获得更高的毛利率，但长期来看，一旦市场上出现定价更透明的竞争者，现有用户可能会加速流失。

对于重度使用者而言，token 级别的透明计费和成本传导将越来越成为选择工具的重要考量因素。这起"Cursor Tax"事件或许只是一个开始——随着更多资深用户开始逐项核算 API 成本，AI 编程工具的定价策略必将面临更严格的市场审视。

需要说明的是，本文基于单一 Reddit 用户的分析和其列举的数据，Cursor 官方尚未对这些具体计费质疑作出公开回应，相关价格数字有待进一步验证。