誰能想到在終端機裡敲下一句稀鬆平常的「Hey」，竟然會觸發一場規模宏大的數據搬運。當開發者在 Hacker News 上質疑 Claude Code 在正式讀取 Prompt 之前就已經悄悄消耗了三萬三千個 Token 時，這場關於「智慧」與「效率」的權衡便不再是單純的技術討論。如果你以為這些 Token 是被拿去分析你的程式碼邏輯，那就太天真了。很多時候，這僅僅是 Anthropic 為了讓代理工具（Agent）表現得更像個「高級工程師」而支付的繁瑣禮節費。
這類 Agent 驅動的開發工具，其核心邏輯與傳統的 Copilot 有著本質區別。Claude Code 或 ChatGPT 的高級代碼模式，本質上是在運行一個無限循環的推理鏈。當你初始化一個專案環境，Claude 的系統提示詞（System Prompt）就已經佔據了驚人的篇幅，裡面充滿了各種行為準則、工具調用規範以及對當前文件樹的初步掃描結果。這就像是一位新來的實習生，還沒聽完你的需求，就先在辦公室裡翻箱倒櫃，試圖向你證明他已經完全掌握了公司的組織架構。
問題在於這種「積極性」是否過剩。在實際測試中，當開發者僅僅輸入一個 commit 指令，某些代理工具甚至會觸發超過三十次的工具調用。這種過度檢索（Over-fetching）的行為，讓 API 的計費表跳得比代碼跑得還快。Anthropic 似乎在進行一場豪賭：他們假設用戶更在意問題是否被「一次性自動解決」，而非背後那點微不足道的 Token 成本。畢竟對一家模型廠商來說，消耗更多的 Token 不僅能換取更好的 Benchmark 表現，還能實打實地增加營收。
這種「貪婪」的推理模式在四大平台中表現各異。ChatGPT 在處理類似任務時，傾向於更頻繁地與用戶確認權限，試圖在交互中節省上下文；而 Gemini 則憑藉其超長上下文的優勢，更喜歡一次性吞下整個 Git 倉庫，雖然它的 Function Calling 在工具數量堆疊到一定程度後會出現明顯的幻覺。Grok 則顯得更為狂野，在處理複雜依賴關係時，它的檢索路徑往往比 Claude 更加跳躍。
相比之下，雖然 Kimi K3 在某些特定語境下的資源調度邏輯被拿來討論，但 Claude 這種不計成本的預加載機制顯然走得更遠。當我們觀察到 Kimi K3 採取的策略時，會發現 Claude Code 的設計哲學是完全以「代理主動性」為中心的。這種主動性建立在對上下文極度渴求的基礎上，它寧願錯殺一萬個 Token，也不願在推理過程中因為資訊不足而停下來向你請示。
這引出了一個更深層次的技術矛盾：我們真的需要一個連打招呼都要消耗幾美分的代理工具嗎？當系統提示詞和工具定義變得越來越臃腫，模型在真正觸達用戶意圖之前，已經在自我設定的條條框框裡消耗了大量的計算資源。這種設計在處理大型遺留系統（Legacy System）時或許能展現神蹟，但在日常的瑣碎開發中，無異於用大砲轟蚊子。
我們是否正進入一個「指令通膨」的時代？當廠商們不斷堆疊 System Prompt 來規避模型的愚蠢時，代價卻是由用戶的 API 額度來承擔。如果未來某天，啟動一個開發代理的開銷超過了聘請一個遠端助理的時薪，那麼這種技術演進究竟是在解放生產力，還是在為昂貴的計算資源尋找合理的消耗出口？當 Claude 再次在你的終端機裡瘋狂跳動那些隱藏的請求時，它是在思考，還是在浪費？