月烧 1.5 万亿 token，年烧 1.32 亿美元？Cursor 工程师的账单，凡人只能仰望

10月21日，OpenClaw 创始人 Peter Steinberger 在 Cloudflare Connect 的台上估算，自己上个月用于 AI 工作的 token 成本约为1000万美元。听众发出惊呼，他补了一句：“并非所有消耗都有用。” 几周前，另一位 Peter——Peter Piekarczyk——也算出了一笔让人咋舌的账。他看到 Lauren Tan 的 Cursor 个人主页显示，过去30天用了1.5万亿 token，于是在 X上写道 "：“按每百万 token 8美元估算，Lauren 每天消耗约38.4万美元，年化1.32亿美元。”即使假设 Cursor 能拿到大客户一折优惠，年成本仍有约1300万美元。 这组数字很快引发了大量关注，因为它把看不见的 token 换成了人人都能理解的工资单。在算账之前，先得知道1.5万亿有多夸张。 工程管理平台 Jellyfish 对1.2万名开发者的统计显示 "，典型用户（第 50 百分位）每月约使用5100万 token，第90百分位用户约为3.8亿。粗略对照，Lauren 的用量约为典型用户的2.9万倍；Peter Steinberger 5月公开的6030亿 token，则约为1.2万倍。 这笔“账单”是怎么算出来的？ Lauren Tan 目前在 SpaceXAI Grok 团队担任工程师。她的职业跨度不小：大学学的是金融，最初在 Excel 里写 VBA 宏时接触编程，职业生涯从 UI 设计起步，后来转向前端和 React，参与 React Compiler 项目；AI 浪潮起来后，她又把重心转向 Agent 工作流，做出了 pstack，一套智能体skills。 她也很懂得经营自己的技术形象。9 月中旬，她在一次视频演讲中说自己“每月向生产环境合入 2000 个 PR”——这意味着平均每个工作日就能提交近 100 个 PR。这个数字令人难以置信，无疑是个异常值。 9 月 21 日，她自己在 X 上置顶发布了这个“2000个PR”的视频，但配文却变成“上个月我向生产环境合入了 2500 个 PR”，引发了新一轮的讨论。 10 月 26 日，她再次发帖说“好像破纪录了”，配图是 4000 个 PR。数字一次比一次高，每一次都配上公开发布。 此前，她的 Cursor 个人主页显示，在9月份的30天里使用了约 1.5 万亿个 token。 营销这件事本身不是罪，但当你把一个极端值放到公共橱窗里，就得准备好它被别人拿去乘一个单价。 Peter Piekarczyk 就把这个公开数字换算成了美元：平均每百万 token 8美元估算，得出每天约38.4万美元、30天约1100万美元、年化1.32亿美元的结果。按他的算法，这就是“一个工程师一年烧掉1.32亿美元”。 他接着假设 Cursor 能从 Anthropic 拿到九成折扣，也就是按原价一折结算，费用便降到每天约3.8万美元、30天约110万美元，年化约1300万美元。再按资深工程师年薪50万美元计算，这笔钱相当于雇26名资深工程师。 考虑到她使用的模型可能有区别，如果全部使用 Grok，30天约花480万美元；全部使用 Opus 或 Sonnet，约1320万美元；按40%输入、40%输出、20%缓存读取的混合用量估算，则约1150万美元。再套用不同折扣，混合用量的月成本还可能降到580万或990万美元。 Agent 编程还存在缓存命中的情况，假设缓存读取的价格约为普通输入价格的十分之一，每月仍然是100万美元。 不过，Piekarczyk 的算法依然还有争议。 Cursor 主页统计的 token 至少分四类：普通输入、模型输出、缓存写入、缓存读取，价格差异很大。 以 Opus 5.5 为例 "，每百万普通输入约4美元，输出约20美元，缓存读取约0.20美元。 一张 Opus 5.5 的用量截图显示，733亿 token 对应约3万美元，折合每百万 token 约0.41美元；其中缓存读取和写入合计占了大部分费用。如果把这个均价套到 Lauren 的1.5万亿 token 上，结果约为每月61.5万美元。 还有一层可以纳入考虑：Lauren 做的是深入、长时运行的智能体任务，比普通用户更常命中缓存。长时任务反复复用同一份上下文，这一项在总花费里的占比会被进一步推高。Anthropic 公布的 Opus 5.5 价格中，缓存读取为每百万 token 0.20 美元，普通输入为4美元。如果按1.5万亿 token 全部以缓存读取价计费，月费用约30万美元；这当然只是极端下限。 Piekarczyk 自己后来也退了一步：就算自己的算法高估了10倍，或者 Cursor 使用自有 GPU，那么按每百万 token 约0.80美元估算，月成本约为10万美元。 10 月 9 日，Piekarczyk 发起投票询问大家工作中每月的 AI 预算上限，大部分人每月低于 500 美元。和 Lauren 被估算出的月账单放在一起，反差鲜明。 另外作为对比，今年 5 月，Peter Steinberger 在 X 上也曾晒出 CodexBar 截图 "：过去 30 天 OpenAI API 用量约 130.5 万美元，涉及 6030 亿个 token、760 万次请求。后来他解释，截图按 Codex 的 Fast Mode 价格计算，关闭 Fast Mode 后估算的 API 成本约为 30 万美元。 10 月这次 1000 万美元是活动现场的口头估算，但有一点是一致的：它们的数量级，和普通开发者每月几百美元的预算完全是两个世界。 普通人不能尝试的工作方式 Steinberger 把这类投入描述为探索“如果 Token 成本不再构成限制，软件开发会变成什么样”。他的三人团队当时运行着约 100 个 Codex 实例 "。 这些Agent 集群能够自主审查 Pull Request、扫描提交记录以查找安全漏洞、合并重复的 GitHub Issue，并编写修复代码。有些 Agent 会根据项目的整体路线图主动提交 PR；另一些则持续监控性能基准测试，并将性能回退情况报告到团队的 Discord 服务器。据 The Decoder 报道，有些 Agent 甚至会参加会议，并根据讨论中提到的功能生成 PR。 Lauren 每月 1.5 万亿 token，无论按什么口径计算，同样都是普通人不能承受的金额。那么这笔钱推动了什么？按她自己公开的说法是，她如今每月可以高置信度地把 4000 个 PR 合入生产环境。这个数字的关键不在生成，在验证。 “使用 Agent 时最重要的技能是验证。所谓验证，是指让 Agent 真正运行代码、采集 CPU 跟踪或堆快照、打开 iOS 模拟器，或者用用户接触应用的方式去操作应用，实际测试并确认功能是否正常。验证能把工作闭环。它不能保证 Agent 写出优秀代码，至少能帮助它写出正确的代码；这已经是建立信任的一大步。” 她的验证技能让 Agent 检查自己的工作并持续迭代，直到任务完成。逻辑是：能检查自身输出的 Agent 会一直工作到任务完成；不能的 Agent 只能把 dif