《Token 成本的现实账单：大模型为什么还难以无限替代程序员》

导语

阮一峰这一期周刊用两个案例提醒：AI 编程的瓶颈不只是能力，而是成本和激励结构。一个程序员如果无限量使用顶级模型，账单可能高到公司无法承受；大模型进入漏洞赏金，也会冲垮原有反馈机制。

1. 一个人的 Token 用量可以贵到像一家公司

OpenClaw 创始人展示一个月 760 万个请求、6030 亿 Token，按预设费率约 130 万美元。这个数字对他本人不是实际支出，但用量真实。如果公司按市场价购买同等模型调用，单个高强度 AI 编程用户就可能制造百万美元级月账单。

2. 便宜模型能降成本，但不能消除约束

国内便宜开源模型可能只有国外旗舰模型 1/30 到 1/50 的价格，但按高强度使用计算，一年仍可能达到 200 万到 300 万人民币。结论不是 AI 编程不可用，而是“不限量使用顶级模型”不可能成为普通公司的默认配置。

3. 巨头也会被账单迫使收紧

周刊提到 Uber 今年前 4 个月就花完全年 AI 预算，不得不限制使用；微软也因费用问题放弃 Claude Code，改用自家托管模型。如果 Uber 和微软都不能无痛承担 AI 调用成本，普通公司更不可能把外部模型 API 当成无限水龙头。

4. 漏洞赏金被 AI 垃圾提交冲击

Turso 的漏洞赏金计划原本激励真实安全研究，大模型普及后却吸引大量低质量漏洞报告。维护者需要筛查看似专业但实际无效的提交。AI 降低了提交成本，也降低了滥用成本。

5. 替代的前提是总成本下降

AI 是否替代程序员，不能只看模型能力，而要看“模型调用、工程验证、返工、管理约束”的总成本。如果总成本没有下降，AI 更像增强工具，而不是替代方案。未来 Token 价格大幅下降后，判断才可能改变。

6. 成本控制会反过来塑造产品形态

一旦 Token 成本成为硬约束，AI 编程产品就不会只比拼最强模型，而会比拼路由、缓存、上下文裁剪、任务分级和本地验证。简单任务用便宜模型，关键判断才调用强模型；重复资料要结构化存储，而不是每次重新塞进上下文。真正成熟的 AI 工作流，会把省 Token 设计成架构能力，而不是靠人临时克制。

7. “算法公司”隐喻说明替代不会一步完成

周刊后半部分还引用了“公司不过是算法图”的说法：公司由流程、判断、权限、反馈和协作构成。这个比喻支持 AI 长期潜力，但也说明替代不会简单发生。如果公司是一张算法图，那么 AI 要替代岗位，就必须接入这张图里的上下文、权限、验证和责任链。现阶段最贵的不只是生成代码，而是让生成结果可靠地进入真实组织流程。

8. 成本、质量和责任会一起决定落地速度

许多 AI 讨论只看单次回答质量，却忽略真实软件项目有回归测试、安全审计、上线窗口、维护文档和事故责任。便宜模型可以处理草稿，强模型可以做关键判断，但整个系统仍需要人来定义目标和承担风险。只要责任不能外包给模型，企业就会把 AI 当作可控增强，而不是无上限替代。这也是文章把 Token 成本和漏洞赏金放在一起的原因：两者都说明生产成本下降后，审核和治理成本会变成新瓶颈。

结论

文章的核心是成本现实。AI 编程有价值，但公司会按账单重新定义可用边界；漏洞赏金案例则说明，AI 不只提高生产力，也会破坏原有激励机制。

思想框架

文章先用极端 Token 账单建立成本感，再用 Uber、微软等例子说明巨头也会收紧使用，随后转向漏洞赏金被 AI 垃圾提交冲击。整体逻辑是：能力叙事必须接受成本和激励结构检验。

建议阅读原文：这篇是中文内容，精准输入只帮助你快速抓住重点，原文的叙事、语气和细节仍值得回读。