用 DeepSeek V4.1 Flash 跑了 21 亿 token 只花了 19 刀

在公司推 AI 落地的时候，大家最担心的就是 Token 成本，尤其是跑 Agent 这种需要反复读上下文、刷 Token 的场景。但我最近看的一组实测数据直接把这个成本逻辑给颠覆了，用 DeepSeek V4.1 Flash 处理了 21.5 亿个 token，最后 API 账单才 19.22 美金。

这里有个关键细节，不能只看总数，得看缓存命中率。在这次实测中，输入缓存命中率高达 99.30%。这意味着虽然 Agent 在处理海量上下文，但绝大部分是重复读取，并没有产生昂贵的新输入费用。折算下来，每处理 100 万个 token 的综合成本才 0.00892 美金。

这种成本结构直接改变了我们开发 Agentic Software Engineering（智能体软件工程）的思路。以前我们为了省钱，会拼命优化 Context 长度，或者精简 Prompt，但如果成本低到这个程度，我们可以让 Agent 像个真正的工程师一样，在整个项目的全量代码库里反复横跳，而不用担心账单爆炸。

这次实测的对象是一个叫 LovelaceSharp 的 C# 数值计算项目。在 9 月 10 日到 12 日这短短三天里，API 请求数达到了 12,253 次，总 Token 数 2,154,490,601 个。

最让我关注的不是这些数字，而是这 19 美金换回了什么。在之前的测试阶段，LovelaceSharp 已经实现了任意精度算术、优化的大整数算法、N 维数组、DSP、浏览器 IDE 等功能。但在这次低成本 Token 的支撑下，项目在 9 月 5 日之后又推进了 166 个 commit。

它居然直接搞出了一套原生的符号数学栈，而不是简单的 SymPy 封装。具体实现了的功能点非常硬核：

• 基于哈希共享（hash-consed）的不可变符号表达式 DAG
• 标准的加法、乘法和幂运算
• 精确的有理数算术
• 基于三值逻辑的假设处理
• 带有显式侧条件的条件重写
• 符号微分、极限、级数（包含 Laurent 行为）
• 符号积分、多项式算术、因式分解及无平方分解
• 实根隔离、方程求解及参数化解族
• Gröbner 基和多项式系统求解
• 符号矩阵、条件矩阵求逆与线性求解
• CSE 和 Horner 优化
• 复杂的符号/数值评估
• 一个名为 MathIR 的类型化计算中间表示
• 标量和向量化的编译评估
• 结构化结果类型（而非纯文本结果）
• 在 Studio 中进行符号检查
• 面向 Agent 的结构化执行协议
• 与 SymPy 的微分对比验证
• 以及围绕上述所有功能的完整正确性验证基础设施

在公司内部推 Agent 协作时，我经常提醒团队：不要把「实现了多少功能」作为 AI 编码的衡量标准，因为 LLM 极其擅长堆砌功能，但很容易写出没经过测试的垃圾代码。

真正的 Agent 生产力应该看「功能增长」与「验证增长」的比例。这次实测最强的地方在于，这 19 美金不仅买了功能的扩张，还同步扩张了验证这些功能的机器。当一个 Agent 能在极低成本下，一边写符号积分，一边同步写一套验证该积分正确性的基础设施时，这才是真正可落地的软件工程。