AI代币经济学：AI代币的成本与浪费之地

由QuesmaOrg维护的GitHub仓库“awesome-ai-tokenomics”是一份关于AI代币经济学的综合指南，详细记录了AI代币的实际成本以及如何识别浪费与优化使用。截至2026年7月，该仓库包含197个条目，分布在五个领域（监控、优化、治理、理解、衡量）、八个实践、十个概念、八个主张和七个可复制配置中。仓库的设计混合了精选列表和现场指南层，带有编辑观点，旨在帮助从业者更高效地管理AI代币的消耗。

安德烈·卡帕西（Andrej Karpathy）在2026年的一次采访中提到：“当我有订阅剩余时，我会感到紧张。这意味着我没有最大化我的代币吞吐量。”这句话点明了代币使用效率的重要性，正是本指南希望解决的核心问题。

在监控领域，仓库列出了多种仪表盘工具，例如ccusage（一个开源CLI工具，可读取本地代理日志并报告15个编码代理源的代币使用和成本）、Claude Code Usage Monitor（提供实时终端仪表盘，带有烧钱率分析和会话到期预测）等。还包括基于eBPF的内核捕获工具，如AgentSight，可以从内核边界观察AI代理的行为。观测工具如Langfuse、OpenLLMetry和Arize Phoenix提供了追踪、评估和分析LLM会话的能力。

优化方面涵盖了缓存、压缩、上下文工程和成本控制。缓存工具如GPTCache和khazad通过语义缓存减少付费调用。压缩工具如LLMLingua和rtk可以压缩提示或输出，减少令牌消耗。上下文工程技术如AgentDiet和ContextBudget帮助代理在有限的上下文窗口中高效运行。成本控制方面，Claude Code和Codex都引入了防失控循环的保护措施。网关和代理如Bifrost、Cloudflare AI Gateway和LiteLLM提供了统一的成本计量和限制功能。

仓库还包含实践、概念和主张部分，提供了更深入的见解。例如，关于缓存会计、预算、定价模型和能源效率的讨论。此外，还有关于上下文压缩的权衡研究，如ICPC 2026的研究显示，压缩代码可减少42%的输入令牌但导致12个百分点的准确率下降。对于希望优化AI代币使用的开发者和团队来说，这是一个宝贵的资源。