研究分析编码AI智能体的成本低效行为及缓解方案

发生了什么

这是首个针对编码代理行为成本低效问题的研究，团队分析了Claude Code、Mini-SWE-Agent在SWE-bench Verified基准上4种配置的1200条运行轨迹，识别出三类成本低效行为，再基于1万条留出的SWE-bench Verified、Pro任务轨迹评估三种缓解策略。研究发现三类低效行为覆盖79%-98%的编码任务，最高占任务成本的22.75%。

关键信息

研究性质

首个编码代理行为成本低效系统性研究

分析样本

1200条Claude Code/Mini-SWE-Agent运行轨迹

低效行为成本占比

最高达任务成本的22.75%

最优缓解策略

开发者设计的高阶技能

最优策略降本幅度

最高41.73%

策略验证规模

10k条SWE-bench留出任务轨迹

背景

当前编码代理虽任务表现优异，但运行往往产生高额货币成本，其高频出现的成本低效行为此前未得到系统性的探索与梳理，缺乏针对性的优化依据。

为什么重要

对行业而言，首次明确了编码代理成本浪费的核心来源，为后续降本优化划定了清晰方向；对开发者来说，验证了开发者自定义的高阶技能提示降本效率是模型自生成技能的两倍，也提醒盲目使用结构感知检索可能反而推高成本；对普通用户而言，编码代理使用成本有望进一步下降，降低AI编程工具的使用门槛。