「Code mode」实测：Agent token 成本下降 99.2%
2026 年 7 月 23 日，独立工程团队 agent-swarm 在其博客分享了一项 Agent 成本优化实践：用「Code mode」把 token 消耗降低约 99.2%。
核心思路
| 方式 | 机制 | token 特征 |
|---|---|---|
| 逐步对话推理 | Agent 一步步思考并累积上下文 | 上下文不断增长，消耗高 |
| Code mode | 让 Agent 生成并执行代码完成任务 | 代码信息密度高，消耗极低 |
为什么有效
- 自然语言逐步推理会累积大量上下文 token
- 代码以极少 token 表达同样甚至更强的逻辑
- 本质是用「代码的信息密度」替代「语言的冗长推理」
需要审慎的地方
- 数据来源为单团队自报，缺乏第三方复现
- 99.2% 降幅高度依赖任务类型
- 对长程探索、反复试错的任务，代码化未必同样适用
核心判断
- 「可代码化」的确定性子任务最适合用 Code mode 降本
- 极端降本数据需结合自身任务实测验证，不能直接套用
AI Master 解读
核心事件
独立工程团队 agent-swarm 分享「Code mode」实践——让 Agent 用「生成并执行代码」替代「逐步对话推理」，token 消耗下降约 99.2%。
行业影响
这个数据指向 Agent 成本优化的一个关键方向：对话式逐步推理会累积大量上下文 token，而把任务转化为一次性代码生成，能用极少的 token 表达同样甚至更强的逻辑。本质上是用「代码的高信息密度」替代「自然语言的冗长推理」。但需保持审慎——这是单团队的自报数据，缺乏第三方复现，且 99.2% 的降幅高度依赖任务类型；对需要长程探索、反复试错的任务，代码化未必同样适用。
AI Master 建议
优化 Agent 成本时，优先识别「可代码化」的确定性子任务（数据处理、批量操作、结构化转换），用代码生成替代逐步对话；但对 99.2% 这类单团队极端数据保持审慎，结合自身任务类型实测，别把特例当通用结论。