伯克利实验揭开智能体降本真相：Claude Code比开源壳贵两倍
内容提要
伯克利团队测试发现，同一AI模型换用不同调度壳时，编程成功率几乎不变，但成本最高相差五倍。Claude Code首轮上下文超七万token，极简壳Pi不到两千，多出的开销被称为“调度壳税”。Pi仅提供读写、编辑、执行四个工具，却常居成本-成功率前沿。实验还显示原生配对未必最优，跨壳混搭常更便宜。建议精简工具定义、对比不同壳成本，并按任务难度动态选择调度壳。
延伸解读
调度壳税：多花的钱买到了什么
实验显示，同一模型换用不同调度壳，编程成功率几乎不变，但成本最高差五倍。Claude Code首轮上下文超七万token，Pi不到两千，多出的开销被称为“调度壳税”。这笔钱主要花在重复发送的系统指令和工具定义上，而非模型推理本身。对用户而言，这意味着选择调度壳时，不能只看成功率，还要拆开账单看每轮token消耗，否则可能为几乎不存在的性能提升持续付费。
极简工具为何能追平重型壳
Pi只提供读、写、编辑、执行命令行四个工具，却常居成本-成功率前沿。实验表明，模型靠基础工具就能完成多数编程任务，多出的专用工具并未显著提高成功率，反而因占用上下文推高成本。这挑战了“工具越多越好”的直觉。不过，研究也谨慎指出，丰富工具可能在跨仓库搜索、外部文档访问等极端场景下有用，日常任务中则更像过度包装。
原生配对未必最优，跨壳混搭更省钱
行业常假设自家模型配自家调度壳最好，但实验在十二组比较中有九组显示，跨公司混搭表现更优。例如Claude Sonnet 4.6在Codex CLI中成功率高于自家Claude Code，GPT-5.6 Sol在Pi中表现也优于Codex CLI，且成本更低。这说明模型能力通用性强，调度壳限制有限。用户不必被品牌绑定，可尝试不同壳组合，把省下的钱用于更多次尝试。
如何在实际工作中砍掉隐形税
研究建议三个方向：一是检查调度壳首轮上下文大小，若工具定义超一万字符，可尝试精简到四个核心工具；二是同一模型至少对比两个调度壳，算清每次尝试的token单价，而非只看成功率；三是按任务难度动态选择调度壳，日常改bug用极简壳，复杂重构再启用重型壳。研究还发现同一壳在不同任务上token消耗波动可达十倍，暗示自适应调度壳可能是未来方向。
Q&A
什么是调度壳税（Harness Tax）？
调度壳税是指同一个AI模型搭配不同调度壳时，因调度壳塞入的上下文（如系统指令、工具定义）过多，导致每轮token消耗增加，从而多付的费用。实验显示，同一模型换壳后成功率几乎不变，但成本最高可差五倍，多出的开销就是调度壳税。
为什么Claude Code比极简壳Pi贵那么多？
Claude Code在首轮调用时平均塞入超过七万token的上下文，而Pi不到两千token，相差三十多倍。这些上下文包括系统指令、工具定义等，且每轮对话都会重复发送，导致累积成本远高于Pi。
Pi调度壳为什么能用四个工具就达到高成功率？
Pi只提供读文件、写文件、编辑文件、执行命令行四个核心工具，初始上下文不到两千token。实验表明，模型靠这四个基础工具就能完成绝大多数编程任务，多出的工具并未显著提高成功率，反而因占用上下文推高成本。
原生配对（如Claude模型配Claude Code）是否一定最优？
不一定。实验对比了十二组原生与跨壳搭配，其中九组表现最好的并非原生配对，而是跨公司混搭。例如Claude Sonnet 4.6在Codex CLI中成功率高于自家Claude Code，GPT-5.6 Sol在Pi中表现优于自家Codex CLI。
如何在实际工作中降低调度壳税？
可以采取三步：1. 检查调度壳首轮上下文大小，精简工具定义至读写、编辑、执行四个核心操作；2. 同一模型至少对比两个调度壳，计算每次尝试的token成本，而非只看成功率；3. 根据任务难度动态选择调度壳，日常任务用极简壳，复杂任务再用重型壳。
这项研究的结论有哪些局限性？
研究基于SWE-bench Lite和Terminal-Bench 2.0两个公开基准测试，题目开源，模型可能在训练中见过类似题目。在真实的私有代码库上，复杂调度壳的附加工具可能发挥更大作用，因此结论适用范围目前有限。
