在終端機輸入一行簡單的命令，原本期待的是外科手術般的精確修改，結果後台卻像是在進行一場搬家式的全量掃描。最近在開發者圈子裡，關於 Claude Code 與 OpenCode 在處理相同 Prompt 時的 Token 消耗差異引起了不少騷動。有人監控了 Anthropic 的端點發現，在讀取用戶的第一行指令之前，Claude Code 就已經悄悄送出了高達 33k 的 Token。這種感覺就像你只是進餐廳問一句有沒有空位，服務生卻已經幫你把全店最貴的紅酒塞進了醒酒器。
這背後折射出的是 Agentic Workflow 在設計邏輯上的激進轉向。Claude 在處理代碼任務時，不再僅僅是一個等待指令的被動接收者，它更像是一個擁有高度強迫症的事務官。為了確保 Context 的完整性，它會主動調用工具去檢索文件樹、讀取 build 日誌，甚至在用戶還沒開口說要修改哪個模組時，就先幫你把整個環境的「前世今生」塞進了 Context Window。這種預熱機制雖然提升了回答的精準度，卻也讓開發者的帳單像斷了線的風箏。
技術細節隱藏在 System Prompt 的膨脹與工具調用的貪婪中。當我們觀察 Claude 3.5 Sonnet 在代理人模式下的行為，會發現其邏輯鏈條變得異常沈重。一個簡單的「commit」指令，可能觸發超過 30 次的工具調用。模型會不斷確認當前 Git 狀態、檢查暫存區、甚至嘗試理解代碼邏輯以撰寫「更完美」的 commit message。這種對「極致正確」的追求，本質上是將算力成本轉嫁給了用戶。相較於早期模型較為克制的檢索行為，現在的 Claude 更傾向於寧可錯殺一千（Token），不可漏掉一個細節。
這種行為模式在四大平台之間呈現出截然不同的性格特質。ChatGPT 在處理類似的 Coding 任務時，雖然也開始引入更複雜的推理鏈，但其在 Token 管理上顯然更具備商業敏感度，會試圖在檢索深度與成本之間尋求某種平衡。Gemini 則憑藉其誇張的百萬級 Context Window，表現得像個財大氣粗的地主，它不介意你塞入多少數據，甚至鼓勵你全量上傳，但其 Function Calling 在處理超過 15 個以上的工具組合時，穩定性仍有待商榷。
有趣的是，當我們把視野稍微拓寬。相較於 DeepSeek，Claude 在底層邏輯上似乎完全不在意 Token 的節約，它更像是為了驗證 AGI 的上限而不計代價。這種設計哲學的差異非常微妙：有些工具是為了幫開發者省錢，而 Anthropic 的工具顯然是為了讓模型顯得更聰明，哪怕代價是讓你的 API 餘額在一個下午內蒸發。當你在本地環境使用 OpenCode 或其他開源封裝層時，你會發現它們往往會對 System Prompt 進行閹割或優化，這也解釋了為何同樣的模型，在不同的「外殼」下會有如此懸殊的開銷。
Grok 則走在另一條極端上，它的回饋速度與直覺式的回答風格，讓它在處理瑣碎的代碼片段時顯得比 Claude 更輕盈，但一旦進入需要多層依賴分析的複雜項目，Grok 的邏輯鏈條就顯得有些力不從心，無法像 Claude 那樣透過海量的預加載來維持全局觀。
我們是否正進入一個「算力通膨」的時代？當開發工具的智慧程度與消耗的資源不再成線性比例，而是呈現指數級增長時，開發者對於「智慧」的邊際效用還能忍受多久？如果一個標榜提高效率的工具，其產生的費用已經逼近甚至超過雇用一個實習生的成本，那麼這種所謂的代理人革命，究竟是在解放生產力，還是在為雲端算力供應商創造更完美的收割場景？
當你下次對著終端機輸入「Hey」的時候，看著後台跳動的 Token 計數器，你是否會懷念那個回覆只需要幾百個位元組、雖然沒那麼聰明但至少不會讓你破產的時代？或者說，為了那一點點可能出現的「靈光一現」，我們已經習慣了這種昂貴的沈默成本？