一位实习生发帖说，自己一天消耗了公司1亿多Token，被mentor约谈了。

事情起因是我让agent帮忙改个接口，后面发现测试有点问题，又让它排查。它改一版我看一版，没过就继续开新对话，顺手还让它把相关代码都解释一下。

最后PR可能就几十行改动，token是狠狠干到一亿。不过mentor也没怎么说我，只让我后面别把AI当无限聊天机器人，有问题先收敛范围，能自己定位的别一上来就把整个仓库塞进去。

1亿Token，真正值得关注的不是数字

有人说，自己一天能用21亿 Token，甚至还有人一天3B。

所以单纯看“1亿”这个数字，并不能直接判断这个实习生到底浪费了多少。

现在很多 Coding Agent 都会反复读取代码、上下文和工具调用结果，最终生成几十行代码，背后消耗大量 Token 并不奇怪。

而且不同产品对输入、输出以及缓存 Token 的统计方式也存在差异。

所以真正值得关注的问题其实是：

花了这么多 Token，工作效率提升了多少？

如果一个复杂模块涉及几十个文件，AI 花大量 Token 最后把问题解决了，那可能完全值得。

但如果只是修改几十行代码，Agent 来回跑了几十轮，最后问题还是靠自己重新定位，那就有点尴尬了。

AI越强，越考验程序员的判断力

以前程序员写代码，成本之一是敲代码。

现在 Agent 能帮你写大量代码，真正稀缺的能力开始发生变化。

你能不能快速定位问题？

能不能告诉 AI 哪些文件值得看？

能不能把一个大问题拆成几个小问题？

发现 AI 已经开始跑偏后，能不能及时停下来？

这些能力可能会越来越重要。

比如已经知道接口涉及哪些文件和上下游调用关系，就没必要每次都让 Agent 从整个项目开始搜索。

先限定范围，再给出明确目标；测试失败时，把准确的报错和上下文交给 AI；连续几轮没有进展，就先停下来重新判断问题。

这些操作看起来很简单，却可能直接影响 AI Coding 的效率。

程序员以后也要学会算“Token账”

以前大家讨论程序性能，会关注 CPU、内存、磁盘。

以后可能还要多关注一个东西：

AI调用成本。

企业愿意花钱买 AI，最终还是希望员工的产出提高。

如果原来一个程序员一天完成10个任务，使用 Agent 后还是10个任务，但 AI 成本增加了一大截，公司自然会重新评估这种使用方式。

所以真正成熟的 AI 编程方式，并不是单纯追求“少用 Token”。

该让 AI 深度分析的时候就让它分析，该调用工具的时候就调用工具；但如果已经发现方向错了，也要及时停止。

AI时代，程序员的优势正在换地方

这位实习生被 mentor 提醒，未必是一件坏事。

早点意识到 AI 有成本，学会控制 Agent 的工作范围，对刚入行的程序员来说，反而是一堂挺实用的课。

以后真正厉害的程序员，可能不是每天烧掉最多 Token 的人。

而是知道什么时候该让 AI 多花 Token，什么时候该及时叫停，并用合理的成本把事情做得更快、更稳的人。