堆Agent烧Token是过渡策略，不是终局
硅谷正从无脑烧Token转向精打细算：本地开源模型一天电费一美元就能干活，但遇到真正的难题时，一个更聪明的模型仍能一次搞定十亿Token群聊讨论不出的答案——省钱和顶级智商并不矛盾。
核心论点 · 点时间戳可跳到原声
行业从烧Token转向精打细算
过去几个月硅谷的Agent策略被称为Token Maxing——Jensen Huang要求工程师多烧Token，Meta甚至设排行榜比谁消耗多。但风向在变：Uber给员工发的Token额度因成本超支被收回，4个月就烧穿全年预算；Stripe内部工具直接提示Opus 4.8很贵，建议非核心任务先用便宜模型。这期讨论的正是这个转折点上，Agent工程范式如何从无脑用最强模型走向经济地使用Token。
— 泓君一天四五百美元换千万级软件
黄东旭从去年11月开始用Opus从零构建分布式数据库db9，即使已订阅200美元/月的Claude Code Pro Max套餐，用超额度后仍要额外自费购买用量，一天花费四五百美元。他的判断是这笔钱花得值——过去因技术和人力限制做不出来的产品，现在一个人三个月就能做出来，而这个软件本可以为公司带来每年1000万美元的直接销售收入，ROI完全覆盖Token成本。
— 黄东旭OpenClaw标志能力过了一道坎
张宏江认为，OpenClaw真正的意义不在产品本身，而在于它证明了一个信号：Peter一个人花一个礼拜就能做出这样的Agent，说明大模型的推理和编程能力已经强到让一个架构师级的工程师能迅速搭出系统，代表AI从研究阶段真正进入了工程落地阶段——你不再需要深入理解模型机理，就能用它构建自己想要的系统。
— 张宏江Hermes靠沉淀Skill绕开记忆难题
OpenClaw最被诟病的问题是记忆差、上下文压缩后容易忘事、行为混乱。黄东旭切换到Hermes后发现它并没有解决记忆问题本身，而是巧妙绕开了它：Agent Loop里加入了持续总结成功经验、把它们固化成可复用skill的机制，用得越久越能长出最佳实践。他认为这本质是工程问题，跟模型能力无关，靠的是更好的架构设计和团队打磨。
— 黄东旭Agent动力学：靠群聊硬撑长任务
黄东旭用Slock搭建多Agent讨论群做代码审查：不同厂商的顶级模型互相挑刺、互相说服，直到没人能再挑出问题才停止，代价是Token消耗量是单模型的10倍，高峰时一天消耗10亿Token、账单三四百美元。Slock团队把这种靠多轮讨论维持Agent持续工作的机制称为Agent动力学，他认为本质上所有Harness、Loop Engineer都在解决同一个问题：怎么让Agent持续不停地干活。
— 黄东旭更聪明的模型能碾压群聊结果
黄东旭原本认为多Agent互相讨论是必要的，因为单个模型One-Shot成功率不够高。但GPT-5.5和Fable 5的出现打破了这个假设：群里讨论了半天解决不了的复杂bug，喂给Fable 5往往一次就能精准搞定，没有前情提要，纯靠绝对智商碾压。他的结论是yes and no：单点难题上更强模型确实能秒杀协同讨论，但极端地狱难度问题仍需要充分的Harness兜底。
— 黄东旭本地开源模型：一天电费一美元
DeepSeek V4和GLM-5.2让黄东旭第一次信任开源模型能进入实际工作流：本地用Mac Studio跑DeepSeek V4 Flash，速度能到约30Token/s，接近云端API体验，成本只是电费和电脑折旧，一天约1美元、一个月二三十美元。他现在把大批量重复性工作和以前不敢用付费模型跑的任务（比如一次性总结几百篇论文）都交给本地模型，账单也从疯狂堆代码时期降到现在一个月两三百美元。
— 黄东旭投资看好toB Infra三大方向
对于现在是否是做Agent创业的好时机，黄东旭的判断是肯定的，但关键在于能否掌握企业级垂直数据的护城河，而不是被模型能力提升随时碾压。他看好的方向有三个：一是memory、数据平台和上下文管理这类中间层基础设施；二是可观测性——能回答Token到底花在哪、哪些是浪费这个所有CIO都在问的问题；三是面向Agent而非人类开发者的新一代云基础设施，比如他投资的InsForge。
— 黄东旭原话 · 已逐字校验
去年的12月份 我在另外一个采访里面 这就是一个问题 我当时就说没有泡沫
去年12月我在另一个采访里就说过，没有泡沫。
张宏江5:03
Peter作为OpenClaw的作者 他能够花一个礼拜 就把OpenClaw做出来 对于我来说最大的意义在于 宣布了大模型的能力过了一个坎
Peter作为OpenClaw的作者，能花一个礼拜就把它做出来，对我来说最大的意义在于宣布大模型的能力过了一道坎。
张宏江15:09
它其实很巧妙地绕开了记忆的问题 它并不是说 记忆模块设计得多么出彩 而是它在它的Agent的框架里边 有一个很强的倾向 去不停地总结成功经验 总结成skill
Hermes很巧妙地绕开了记忆问题，不是记忆模块设计得多出彩，而是Agent框架里有很强的倾向，不停地总结成功经验，把它们变成skill。
黄东旭23:14
我觉得Slock它们团队 发明了一个很有意思的词 叫做“Agent动力学”
我觉得Slock团队发明了一个很有意思的词，叫做「Agent动力学」。
黄东旭33:19
讨论不出来的东西 可能在Fable 5的绝对智商面前 一次就解决了 所以这时候你就会发现 我前面烧了10亿Token 在Fable 5这边 非常精准地一次搞定了 所以绝对的智商碾压
群里讨论不出来的东西，在Fable 5的绝对智商面前一次就解决了——前面烧了10亿Token，在Fable 5这边非常精准地一次搞定，这就是绝对的智商碾压。
黄东旭36:21
决策权在Agent是重要的吗 我觉得是重要的 就是Agent要做决策 是的 你要相信Agent的决策 比你的决策更靠谱
决策权在Agent手上重要吗？我觉得重要，Agent要做决策，你得相信它的决策比你的更靠谱。
黄东旭1:02:45
我就发现 会有Agent之间 互相blame（指责）的状态 就比如说 有时候它们就停下来了 我说为什么你们这个就停下来了 复盘一下 然后它们就开始总结今天的工作 然后Agent A指责Agent B说 你看 我停下来都是因为你 我已经说过好几次了 你不要这么做
我发现Agent之间会互相指责：有时候它们停下来了，我问为什么停，让它们复盘，它们就开始总结当天工作，Agent A指责Agent B说，我停下来都是因为你，我已经说过好几次了，你不要这么做。
黄东旭1:03:45
所以从这点上 我认为智能的转折点 就奇点已经到来 我之前也讲过几次 就是这个奇点到来就在于 机器的学习的能力 超越了人的学习能力
从这一点上，我认为智能的转折点，也就是奇点已经到来了——奇点到来就在于机器的学习能力超越了人的学习能力。
张宏江1:16:52
数字与实体
| 黄东旭使用Opus单日消耗 | 四五百美元/天 | 12:08 |
| Peter（OpenClaw作者）30天API消耗 | 130万美元 | 20:13 |
| Slock群聊单日Token消耗与对应账单 | 10亿Token，三四百美元 | 32:18 |
| 本地开源模型（DeepSeek V4 Flash）推理速度 | 约30 Token/s | 37:22 |
| 本地开源模型电费 | 约1美元/天，二三十美元/月 | 38:23 |
| 黄东旭现阶段Agent账单 | 两三百美元/月 | 40:25 |
| Manus专业版定价 | 200美元/月 | 59:44 |
| 微软新设Frontier Company（FDE）团队规模 | 6000人 | 1:00:45 |
| Token价格年降速度 | 过去3-4年每年降10倍 | 1:10:48 |
术语
- OpenClawOpenClaw（社区昵称「小龙虾」）
- 开源个人助理型Agent项目，倡导本地优先、隐私自持
- Agentic LoopAgent循环
- Agent内部反复调用大模型、执行工具、更新上下文的循环机制
- FDE前线部署工程师
- 大模型公司派驻企业客户、负责Agent落地部署的工程师团队
- Agent NativeAgent原生
- 去掉AI/Agent后业务逻辑就不成立的产品设计，Agent是第一使用者
- Jevons Paradox杰文斯悖论
- 技术效率提升、单位成本下降后，总消耗量反而更快增长的现象
- 哥德尔机哥德尔机
- 理论上能自我证明并改写自身代码、持续自我改进的系统
收听指南
正在核算Agent工程成本、纠结要不要自建本地模型的技术负责人，以及关注Token经济学如何重塑云厂商与模型厂商格局的投资人
1:18后关于AGI失业与个人存在意义的讨论信息密度较低，只想抓结论可以跳过