★★★★☆自动化较可靠

修好一个 bug 花 1 块还是 3 块：AI 接活先算单任务成本

新论文固定模型只换 agent 外壳：通过率差不多，单任务账单可差三倍多。接活用「做完一个任务花多少」核算，比盯 token 单价更实在；自测方法可复制。

来源

核心玩法

不是教你「换个更贵的模型就能多赚钱」，而是换算单位：AI 接活别只看订阅月费或 token 单价，要看「做完一个真实任务花了多少钱」。

原帖要点：

  1. 同一模型、同样 45 道难修 bug，换三套 agent 外壳（harness），修好数量 22 / 20 / 18，统计上分不出高低；但单任务账单约 1.81 元 / 0.97 元 / 0.56 元，差三倍多。
  2. 论文把模型固定、只换系统提示 / 工具 / 上下文管理，在 SWE-bench Verified 上跑；大池子里最重 Claude Code 与最轻 mini-SWE-agent 通过率只差一两个点，难题上「换外壳翻车」和「同配置重跑翻车」一样多（约 13%）。结论：外壳买不来通过率，主要决定账单。
  3. 账单拆开看：每次调用都要重发系统提示——Claude Code 开场白约 16,581 token，OpenCode 7,025，mini-SWE-agent 829；工具返回差不多，差距主要在开场白重量 × 步数。
  4. Vals 测试同模型同任务换推理供应商，单任务成本可从约 5 美元涨到 12.65 美元，差在缓存命中率（约 72% vs 94%）。
  5. 也别迷信「越轻越省」：换 DeepSeek-V4-Flash 时，轻外壳步数更多，读 token 反而不少，成本与重外壳基本打平；重外壳有时贵在「截断后续跑」等兜底。

是否可行

  • 方向很可行：接活、外包、内部提效都吃「单位任务成本」。同样交付结果，成本差几倍会直接吃掉毛利。
  • 水分：数字来自特定代码修复基准与离线环境；写文案、做表格的倍数未必一样。作者账号很新、互动低，属于信息整理帖，不是本人接单流水。
  • 风险：只追最便宜外壳可能导致通过率下降、返工变多，总成本反而更高。

如何实施

  1. 列出你真实接的 10 个任务（修 bug、改 UI、写脚本、出报告等）。
  2. 在 2–3 套工具 / 供应商上各跑一遍，记下：金额、是否做成、要不要返工。
  3. 按任务类型分流：长重构用一套、改 UI 用一套、批量脚本走便宜额度。
  4. 每周看哪边「做成 × 单价」最优，把额度往那边挪——比追模型榜单实在。

实施条件

  • 技能：会拆任务、会看用量账单；懂一点 agent / IDE 工具切换即可
  • 资金：测试额度几十到一两百元量级通常够跑一轮对比
  • 时间：首轮对比约半天；之后每周 15–30 分钟复盘
  • 账号：至少两家模型 / agent 产品账号（如 Claude Code、轻量 agent、不同 API 供应商）

能否 AI 自动化

  • 可自动化：用量导出、按任务打标签、周报对比哪套最省
  • 难全自动：任务分流策略、返工判定、客户交付标准仍需人定
  • 建议：人定「任务类型 → 工具」规则，AI 只负责记账与提醒换档

论文编号、金额与结论均转述自原帖，请自行核对 arXiv / 原始评测；接单定价勿直接套用其数字。

原文来源：https://x.com/StevenYang618/status/2114115482580127818