过去我们谈大模型，最关心的是参数、能力、推理、工具调用和多轮对话。但当 LLM Agent 真正走出实验室，进入金融、法律、医疗、企业服务等真实业务场景后，一个过去常被忽略的问题开始变得越来越重要：Token 到底花在哪里？又该如何被管理？近日，浙江大学计算机学院、经济学院、区块链与数据安全国家重点实验室联合阿里云发布综述论文《Token Economics for LLM Agents: A Dual-View Study from Computing and Economics》。系统梳理了 LLM Agent 中 Token 消耗、成本优化、系统协作、安全治理与资源分配等关键问题，并提出了一个新的分析框架：Token Economics，Token 经济学。这篇论文最重要的价值，不是简单告诉我们要减少 Token 消耗，而是提出了一个更底层的判断：在 Agent 系统中，Token 已经不只是技术单位，而正在成为影响成本、延迟、安全性、可扩展性和商业化落地的核心资源。根据 OpenRouter 平台数据，周 Token 处理量从 2024 年 12 月的 0.4 万亿，增长到 2026 年 3 月的 27.0 万亿，15 个月增长近 68 倍。这意味着，随着 AI Agent 应用规模化，Token 成本优化、LLM Agent 成本控制、企业 AI Agent 降本增效、Agent Token 消耗管理，都会成为接下来企业部署智能体时绕不开的问题。论文提出的核心框架叫Dual-View 双视角框架。简单理解，就是把计算机科学里的 Agent 系统优化问题，和经济学里的成本、生产、交易、机制设计、外部性等理论结合起来。每生成一个 Token，背后都需要 GPU、显存、电力、时间和算力资源。因此，在 AI Agent 推理成本分析中，Token 就像企业生产中的原材料和能源。今天主流 AI 服务基本都按照 Token 计费，输入多少钱、输出多少钱，本质上 Token 已经成为 AI 服务的定价单位。任务复杂度、系统成本、推理效率、AI 生产力，都可以通过 Token 支出被量化。因此，未来企业评估 Agent 系统，不只会问效果好不好，还会问每完成一个任务需要多少 Token。这也是论文提出的核心优化目标：在保证输出质量达标的前提下，最小化系统总成本。换句话说，未来真正有竞争力的 AI Agent，不是无限调用模型、无限堆上下文、无限拉长推理链，而是在质量、成本、速度和安全之间找到最优解。论文进一步把 Token Economics 拆成四个层次：单 Agent、多 Agent、Agent 生态系统，以及安全维度。在单 Agent 层面，核心问题是：一个 Agent 如何更高效地使用 Token？一个 Agent 完成任务时，通常会产生两类 Token 成本。一类是模型内部推理 Token，例如思维链、规划步骤、中间推理；
另一类是外部工具调用 Token，例如检索、API 调用、数据库查询、工具返回结果。
这就带来一个关键权衡：到底是让模型多思考，还是让工具多干活？如果模型自己推理太多，Token 成本会上升；如果过度依赖工具，检索和调用也会产生额外开销。因此，Agent 推理效率优化、上下文压缩技术、AI Agent 记忆管理、RAG 检索增强优化、工具调用成本控制，都成为单 Agent 层面的关键研究方向。多 Agent 系统看起来很美好：不同 Agent 分工协作，一个负责规划，一个负责检索，一个负责执行，一个负责审核。但论文指出，Agent 越多，并不一定越高效。因为每多一个 Agent，就会增加通信 Token、协调成本、任务分配成本和调度摩擦。当 Agent 数量增加到一定程度后，内部沟通成本可能呈现超线性增长，甚至抵消专业化分工带来的收益。所以，多 Agent 协作成本分析、多智能体通信压缩、Agent 任务调度优化、跨 Agent 记忆共享、多 Agent 系统 Token 成本，都会成为未来 Agent 工程落地的重要命题。真正的问题不是要不要多 Agent，而是：在专业化收益和协作摩擦之间，如何找到最优组织结构？到了宏观层面，当大量 Agent 运行在多租户共享平台上，Token 就不再只是某个任务的成本，而变成整个 Agent 生态系统中的稀缺推理资源。这里有一个非常值得关注的观点：推理成本下降，不一定意味着总消耗下降。当单次调用更便宜，用户和企业可能会调用得更多，反而导致整体 Token 使用量继续上升。这类似经济学中的杰文斯悖论：效率提升可能带来更大规模的资源消耗。所以，未来 AI Agent 平台定价机制、实时 Token 市场、推理资源动态调度、AI Agent 平台治理机制，也会成为行业基础设施的一部分。论文还特别强调：安全不是外部附加模块，而是 Token 经济的一部分。从 Token 生命周期来看，风险可能来自输入 Token、外部 Token、内部 Token、跨 Agent Token，以及市场级 Token。比如恶意提示注入、工具返回污染、多 Agent 间错误传播、平台级滥用等问题，都会带来额外防御成本。这意味着，安全感知 Token 预算、AI Agent 安全治理、高风险行业 AI Agent 部署、Agent 系统合规成本，也必须被纳入统一成本模型。未来企业不能只追求更省 Token，还要考虑省下来的 Token 是否牺牲了安全性。最优方案不是无限增加防御，也不是忽略风险，而是在防御成本和潜在攻击损失之间找到平衡点。从商业角度看，这篇论文给所有正在研究或部署 AI Agent 的企业一个重要提醒：Agent 的竞争，不只是能力竞争，更是资源配置效率的竞争。谁能用更少的 Token 完成更高质量的任务，谁能在成本、延迟、安全和可扩展性之间找到更优平衡，谁就更可能在下一阶段 AI 应用竞争中胜出。Token Economics 的提出，意味着 AI Agent 研究正在从单纯追求能力，进入一个更加现实的新阶段：成本可控、效率可衡量、安全可治理、系统可扩展。这也许正是 AI Agent 从实验室走向产业落地的关键一步。
