单个AI智能体日耗16亿Token：$100订阅跑出$54万API价值

一个Dot智能体，每天烧掉16亿Token

一位Reddit用户分享了他使用OpenAI旗下自主智能体产品Dot的真实体验，数字令人震惊：自产品上线首日起，他运行的单个Dot每天消耗约16亿（1.6B）Astra token，折算下来每月约480亿token。

换算到每秒，大约是18500 token/秒的处理量。作者明确指出，这显然不是生成速度——在这类工作负载中，绝大部分吞吐量几乎可以肯定来自重复的上下文处理（repeated context processing）。换句话说，智能体在反复读取文件、推理、修改、验证的循环中，不断地重新加载和处理同样的上下文，才累积出如此庞大的token消耗。

这一切都发生在一个每月100美元的订阅产品内。

Astra token是OpenAI在其智能体产品中使用的内部计量单位，与API计费中的标准token并非完全等价，转换比例未被官方完整披露。重复上下文处理（repeated context processing）是长时程智能体高token消耗的核心机制：每次智能体调用工具、获得新结果后，都需要将完整的历史上下文（包括原始任务、中间推理、工具输出）重新送入模型才能继续推理。这意味着随着任务进行，单步处理的token数量会持续增长——一个运行了100步的任务，最后几步每次都需要读取前99步的所有内容。这与批量生成文本的成本模型有本质区别，也是为何自主智能体的算力成本远高于同等输出量的简单补全任务。

这些Token到底在做什么

作者的用法并非简单的对话问答，而是把Dot当作一个能自主工作数小时乃至数天的工程助手。他给出一个大型工程任务，回答几个澄清性问题，之后Dot便在自己的云端计算机上独立运转。后来他甚至直接把任务清单文档放到Google Drive，让Dot逐条执行。

实际产出的工程包规模惊人。其中一个复杂物理结构的设计包包含：

• 1000+ 独立组件
• 完整STEP装配体中的6000+实体
• 近300页装配图纸和文档
• 数百个有记录的电气连接
• 制造零件与装配件
• 采购/BOM电子表格
• 机器可读的清单与验证数据
• 结构/载荷计算及敏感性分析案例

另一个工程产品则跑了强度计算、热分析和热变形案例，根据结果调整设计，再重复整个循环直到数据合理。还有一个为实时3D应用准备的联合收割机模型，Dot对其做了多级优化，把约20万活跃三角面依次压到约15.2万、8.4万、5.6万和5万，同时保留关键部分，并测试了真实摄像机视角的可见性，生成了数千张验证渲染图。

STEP（Standard for the Exchange of Product model data）是ISO 10303定义的工业标准文件格式，用于在不同CAD软件之间交换三维几何与产品数据。STEP装配体中的"实体"（solid/body）指每一个独立的三维几何体，6000+实体意味着这是一个极其复杂的多零件装配，通常见于工业机械、航空航天或精密仪器等领域。BOM（Bill of Materials，物料清单）则是制造业的核心文件，列出产品所有组成零件的型号、数量、规格和供应商信息，是采购、生产和成本核算的基础。能够自动生成机器可读的BOM和验证数据，意味着Dot的输出已超越"参考文档"层面，直接进入可被ERP/PLM系统消费的工程交付物范畴。

"One-shot"不等于一次推理

作者最看重的，不是智能体能产出一个漂亮模型然后说"看起来不错"，而是它会反复执行枯燥的工程循环：设计、计算、发现问题、修改几何、重新计算、验证、记录文档。

他特别澄清了一个容易被误解的概念："one-shot"（一次性交付）并不意味着一次推理。你只下达一次任务，但智能体会在内部执行数千个循环——检查文件、推理、修改CAD或代码、调用工具、检查结果、运行仿真、修订、验证，如此往复。这正是token消耗如此之高的根本原因，也是这类长时程自主工作负载的本质特征。

成本估算：$100订阅背后的$54万

作者尝试估算同样的工作量若通过API调用会花多少钱。他强调这取决于输入/输出/缓存的比例、长上下文定价和推理token，并非精确账单，但粗略估计为每天1.5万至2万美元。按每天约1.8万美元、30天计算，每月约45万至60万美元，中位估计约54万美元。

而这一切都发生在一个每月100美元的订阅里。这正是作者觉得"有点疯狂"的地方。

他也清醒地指出，自己不确定OpenAI是否打算让这种上线期的经济模型长期维持——他记得Tibo曾发帖说这是为期一个月的促销期，因此强烈怀疑额度或定价会有大幅调整。他的建议很直接：在这种经济模型还在的时候用它。对于那种"把复杂目标交给智能体，让它磨上几小时甚至几天"的工作负载，Dot目前的性价比远超直接购买等量API用量。

这一成本落差的背后是AI厂商常见的"渗透定价"策略：以远低于算力成本的订阅价吸引早期用户建立使用习惯和案例数据，待市场教育完成后再调整定价结构。OpenAI此前在ChatGPT Plus、Sora等产品上都有过类似的早期高额补贴窗口。对企业用户而言，这类促销期的战略价值在于：用极低成本验证自主智能体在真实生产场景中的ROI（投资回报率），为后续采购决策积累数据支撑。即便日后定价回归成本，已完成验证的用例也为付费升级提供了可量化的依据。

从设计到实物：零件已经切出来了

这不只是纸面演示。首个项目的部分金属零件已经做出来了——Dot编写了激光切割机的切割程序，零件成功切出。作者只微调了一下切割速度：Dot程序设得过于保守，机器实际可以安全地跑得更快。

他半开玩笑地说，AI设计零件、编写切割程序，自己只需按下启动键，这"正是天网开始的方式"。不过目前这座"终结者工厂"只有车间里的一台激光切割机，产出的"终结者"也大多是支架之类的简单零件。

仍然离不开人类工程师

真实的局限同样被如实记录。结构设计的第一版出了问题：Dot把这个东西当作要"在核战争中幸存"来计算，所有参数都留了约5倍的安全余量。作者不得不用更清晰的约束条件重启，第二次才得到合理结果。

这说明智能体仍然需要一个了解真实需求的人类把关，但好在它给出的修正是可用的。

作者还给出了明确的免责声明：他不会把AI生成的安全关键设计未经人类工程评审就直接送去制造。值得肯定的是，Dot自己也不假装可以——它在所有文档中都做了清晰的免责说明。更好的工程包会明确区分计算结果与假设，标注未解决的材料属性、所需的物理测试、认证和验收标准。这种区分非常重要。

正如作者总结的，作为一个能有效投入数十亿token去攻克单一问题的工程师助手，这大概是他这辈子从AI订阅中获得过的最极致的价值。

对行业的意义

这个案例折射出当前AI智能体商业化的一个核心张力：自主智能体的真实算力成本与订阅定价之间存在巨大落差。促销期的激进定价让早期用户获得了近乎不可持续的价值，但这种经济模型几乎注定要被重新调整。

对专业用户而言，长时程自主工作负载——让智能体独立运行"设计-计算-验证"循环数小时——正在成为AI从"问答工具"迈向"生产力实体"的分水岭。而对厂商来说，如何在定价与算力成本间找到平衡，将直接决定这类产品的商业可持续性。

（注：本文基于单一Reddit用户的个人体验与粗略估算，相关token消耗与成本数字未经官方核实。）