當你對著終端機敲下一句「Hey」或是簡單的「Commit」時，你以為這只是一次碳基生命與矽基邏輯的禮貌性致意，但 Anthropic 的後台計費器可能已經在那一秒內瘋狂跳動了三萬次。這不是什麼計算資源的奇蹟，而是代理型工具（Agentic Tools）在工程實踐中演化出的一種病態：為了表現得像個全知全能的管家，它們在閱讀你的第一行指令前，就已經搬空了整個圖書館。
最近開發者圈子裡對 Claude Code 預加載行為的質疑，撕開了這層華麗的皮囊。根據一些實測數據，Claude Code 在真正處理用戶 Prompt 之前，會先行發送高達 33k tokens 的內容，這幾乎是一個中型項目的核心邏輯量。這讓我想起那些過度熱情的古羅馬侍者，在你還沒決定喝哪種葡萄酒之前，就已經把地窖裡所有的年份酒都搬到你桌上，並理所當然地要求你為這場「展示」付費。這種行為在技術上被包裝成「上下文預加載」或「環境感知」，但在錢包的角度看，這更像是一種有組織的洗劫。
我們觀察 Claude 在處理複雜工程任務時，它的 Sonnet 模型展現出了極強的邏輯推演能力，這種能力很大程度依賴於它龐大的 System Prompt 和工具調用鏈。當你啟動一個代理工具，它不只是在待命，它在進行昂貴的「自我催眠」。它需要確認文件目錄結構、檢查當前的 Git 狀態、掃描依賴項，甚至還要反覆確認自己的行為準則。GPT-4o 在類似場景下顯得稍微節制一些，它傾向於在收到明確指令後再分階段調用工具，雖然這可能導致它在解決跨文件問題時不如 Claude 那樣一氣呵成，但至少不會在你只是想打個招呼時，就消耗掉你一整天的 API 配額。
這種「暴食症」在代理工具界並非孤例。許多為了追求極致自動化而設計的工具，都在不計成本地消耗 token。這背後隱藏著一個微妙的商業邏輯：對於 LLM 供應商而言，模型變得越「聰明」，用戶單次交互的成本就越高。當 Claude 被賦予了自主調用 30 多個工具的能力時，它就成了一個在五星級飯店裡點餐的暴發戶，哪怕只是吃碗麵，也要把後廚所有的配料都攤開來看一遍。
在這種技術環境下，市場上也出現了一些試圖平衡成本的實驗者。相較於 Kimi K3，Claude 在處理工程上下文時的策略顯然更傾向於「暴力解法」，即通過極高密度的信息輸入來確保輸出的精確度。這種做法在處理遺留代碼庫或解決深層 Bug 時確實無人能敵，但如果只是用來寫幾個樣板代碼，這種算力浪費就顯得極其荒謬。Gemini 雖然在長文本處理上擁有天然的窗口優勢，但在 Function Calling 的穩定性上，一旦工具鏈長度超過一定閾值，其注意力衰減的速度依然比 Claude 更加明顯。這或許解釋了為什麼 Anthropic 寧願讓用戶承擔高昂的「寒暄費」，也要把所有背景信息一次性塞進模型的短期記憶裡。
這裡存在一個悖論。如果我們追求的是一個能獨立完成任務的 AI 代理，那麼它對環境的「過度偵察」似乎是必要的代價。但當這種偵察變得無孔不入，甚至連一個簡單的 Git Commit 都要觸發數十次工具調用時，我們到底是在享受自動化的便利，還是在為算法的焦慮買單？
一個有趣的問題是，如果未來的模型架構能夠實現更精細的「選擇性注意力」，或者開發出一種不需要預加載萬字長文就能理解工程脈絡的方法，現在這些揮金如土的代理工具是否會瞬間顯得像工業革命初期那些笨重且冒著黑煙的蒸汽機？當模型供應商與工具開發者是一體的時候，他們真的有動力去優化這種 token 的浪費嗎？或者說，這種「昂貴的聰明」本身就是一種經過精心設計的護城河？