终端编码代理选型：DeepSeek V4.1 Flash 1017 与 Claude Haiku 5.5 成本对比

终端编码代理的运营成本，往往不取决于模型单价，而取决于会话有多长、prompt 涨到多大。DeepSeek V4.1 Flash 1017 与 Claude Haiku 5.5 相隔十天发布，价格表看似简单，实际成本曲线却在 Haiku 的 100K token 档位处交叉。本文基于双方公布的规格、AIHubMix 的实测与成本建模，梳理两者的适用边界。

一次 Claude Code 会话的成本分水岭

以一次典型的 Claude Code 会话为例：40 次模型调用，prompt 从 20K token 起步，每次调用增加约 4K（工具输出加上一轮回答），最终达到 176K。按 AIHubMix 的标价计算，DeepSeek^广告 V4.1 Flash 1017 在峰值时段花费 $0.152，非峰值 $0.076；Claude Haiku 5.5 则为 $0.288。

但如果同一会话在第 21 次调用后停止，prompt 尚未越过 100K，结论就会反转：Haiku 5.5 只需 $0.040，而 1017 峰值 $0.077、非峰值 $0.039。这个交叉点来自 Haiku 的阶梯定价——一旦单次请求的 prompt 超过 100K，整个请求的输入、输出与缓存价格都按五倍计费。

据 AIHubMix 的成本模型，Haiku 5.5 在 40 次调用中有 19 次越过 100K 线，这 19 次贡献了 $0.248，占整场会话 $0.288 的绝大部分。反观 1017，超出 100K 后的单价不变，只是缓存命中与未命中的价差在长上下文中被放大。

阶梯定价（阶梯计费） 是指服务商按单次请求的输入规模分段定价，而非对整个计费周期内的累计用量统一计价。Anthropic 对 Haiku 5.5 采用的规则是：一旦单次请求的 prompt 超过 100K token，该请求的输入、输出与缓存读写全部按五倍费率结算，而不是只对超出 100K 的部分加价。这意味着成本的跳变发生在请求粒度上，而非会话粒度上——同一场会话中，未越线的请求仍按原价，越线的请求整体翻五倍。因此控制成本的关键不是压低会话总 token，而是避免任何单次请求跨过阈值，这也是 /compact 与子代理拆分上下文在 Haiku 上格外有效的原因。

基准测试：大致持平，但不可直接比较

在双方唯一共同报告的 Terminal-Bench 4.0 上，DeepSeek V4.1 Flash 1017 得分 42.3，Claude Haiku 5.5 得分 39.2，均为厂商自报。DeepSeek 在 Claude Code 的 harness 下运行，Anthropic 的表格则未注明 Haiku 的 effort level。三点差距在设置不同的情况下不足以构成决定性优势。

说个细节，Anthropic 自己给出的定位也把两款廉价模型排除在复杂代理编码任务的首选之外：“对于 Terminal-Bench 4.0 所衡量的复杂代理编码任务，Sonnet 5.5 与 Opus 5.5 仍是更好的选择。” Sonnet 5.5 在同一基准上得分为 70.6。

其它能力维度上，两者分数互有高低：HLE（无工具）Haiku 5.5 为 45.9，1017 为 42.6。上下文窗口均为 1M，但 1017 最大输出 384K，Haiku 为 128K；输入类型上 Haiku 额外支持 PDF；effort level 方面 1017 提供 3 档，Haiku 提供 5 档。1017 以 MIT 协议开放权重，Haiku 则闭源。

据 AIHubMix 的说明，目前尚无人用同一 harness 和相同设置跑过两款模型，独立复现的 Haiku 5.5 成绩低于 Anthropic 自报且彼此不一致，1017 也还没有独立来源的 Terminal-Bench 4.0 结果。

在 Claude Code 中一键切换与实测

两款模型都托管在 AIHubMix，使用同一个 API key 即可在 Claude Code 中切换。设置环境变量指向 AIHubMix 后，通过 /model claude-haiku-5-5 在会话内切换，保持仓库状态不变，用同一个失败测试对比 diff 和请求日志。

AIHubMix 在 10 月 19 日基于 Anthropic Messages 协议的测试中发现一个关键细节：1017 能完成两轮工具调用，但未设置 effort level 的请求返回了文本和工具调用，却没有 thinking block；设置 effort level 后才返回。因此建议保持 CLAUDE_CODE_EFFORT_LEVEL=high 之类的设置。

各自的失败模式与应对

Haiku 5.5 对旧参数返回 400。 API 拒绝非 1 的 temperature、任何 top_k、手动 budget_tokens 以及 assistant prefill，均返回 400。需要从请求中移除这些参数，改用 effort level 控制深度。

Haiku 5.5 长会话账单跳涨。 prompt 超过 100K 后，整个请求的输入、输出、缓存价格升至短 prompt 费率的五倍。应对方式是在触及 100K 前用 /compact 压缩，或把工作交给短命子代理；长循环任务则交给 1017。

1017 在 DeepSeek 自家 API 上首次工具调用后失败。 据 DeepSeek 的 thinking mode 文档，使用工具时每一轮历史 assistant 消息的 reasoning_content 必须回传，否则 400。公开 GitHub 报告的错误信息为：The reasoning_content in the thinking mode must be passed back to the API. 修复方式是在追加历史时保留完整的 assistant 消息，包含 reasoning_content。AIHubMix 的测试中，同一轮不带该字段的请求返回 200，说明路由差异会影响结果。

1017 不思考直接作答。 在 Messages 协议下，无 effort 设置的请求不返回 thinking block，需要显式设置 effort。

Haiku 5.5 对安全类工作过度拒绝。 据 ComputingForGeeks 的评测，Haiku 5.5 在自动化行为审计中的过度拒绝多于其它模型，更严格的网络安全分类器会拦截部分安全工作。如果代理涉及安全工具链，应优先测试这些步骤并保留备用模型。同一评测也给出正面数据：在 Gray Swan 编码场景中，prompt 注入成功率从 Haiku 4.5 的 58.4% 降至 0.08%。

reasoning_content 回传 源于 DeepSeek 的 thinking mode（思维链模式）设计。在该模式下，模型每轮回答会附带一段 reasoning_content 字段记录内部推理，它并不直接展示给用户，但属于 assistant 消息的一部分。当会话进入多轮工具调用时，API 要求把历史中每条 assistant 消息连同其 reasoning_content 原样回传，否则模型无法重建上一轮的推理状态，服务端直接返回 400。这与 OpenAI 系接口通常只需回传 content 与 tool_calls 的习惯不同，是迁移到 DeepSeek 时最常见的兼容性坑。修复方式是保存完整 assistant 消息对象而非只截取文本字段；不同网关对缺失该字段的容忍度不一致，因此本地能跑通不代表生产路由也安全。

effort level（推理力度档位） 是新一代模型用来替代 temperature、top_k、budget_tokens 等传统采样参数的单一旋钮，档位越高，模型在作答前的内部推理与工具规划越充分，延迟与 token 消耗也相应上升。Haiku 5.5 提供 5 档、1017 提供 3 档，且两者都可能出现“未设置 effort 就不返回 thinking block”的行为。对代理编码任务而言，缺少 thinking block 往往意味着模型跳过了规划步骤直接产出工具调用，在多步任务中更容易走错方向。因此在 Claude Code 中通过 CLAUDE_CODE_EFFORT_LEVEL 显式设定档位，不只是性能调优，而是保证模型按预期进入推理流程的必要配置。

成本优化的两个杠杆

在 Haiku 5.5 上，关键是让每次请求保持在 100K 以下。同样的 40 次调用若全部按短 prompt 费率计费，成本为 $0.089。Claude Code 的 /compact 与短命子代理正是为此设计。

在 1017 上，把批量和夜间代理任务安排在工作日 UTC 01:00–04:00 与 06:00–10:00 之外，账单可减半。AIHubMix 还在对 1017 提供限时 30% 折扣，未计入上述成本。

选型建议

1017 适合长上下文的主循环编码代理、可安排在非峰值的夜间或批量任务，以及需要从规格构建程序的场景。Haiku 5.5 适合 100K 以内的短程子代理调用、文档密集型步骤、计算机使用，以及需要读取不可信网页或仓库内容的流水线。

两者也可以共存于同一套 Claude Code 配置：较强的模型负责规划，1017 执行长程任务，Haiku 5.5 处理快速查询与摘要。对于最难的 shell 会话，两者都无法替代 Sonnet 5.5 或 Opus 5.5。

无法验证的部分

所有基准均为厂商自报、harness 与设置不同；会话 token 数是模型推算而非实测，两家厂商都不公布分任务 token 数，且分词器不同；AIHubMix 的测试为 10 月 19 日每项单次运行，不构成对所有路由的保证。

本文事实与数据来自 DeepSeek 模型卡、Anthropic 发布公告、AIHubMix 对比页、ComputingForGeeks 与 Kingy.ai 的评测。