對AI說“你好”的真正成本
詳細分析AI互動的隱藏成本：雖然token費用微不足道，但等待時間會顯著影響生產力和薪資，往往超過API費用。對14個模型的測試顯示，模糊提示會導致過多的工具呼叫和延遲。
當你對AI說“你好”時，token費用不到0.005美元。但你的時間並非免費。在AI思考時，你只能等待，而沒有人把等待計入賬單。以平均開發者薪資計算，回答一次問候的等待成本為0.07美元（使用最便宜的模型GPT-5.4-mini），而最慢的模型則要花費0.84美元，還有模型在5次嘗試中有3次失敗。
我並非唯一計算這筆賬的人。有人發帖稱，GPT-5.4 Pro對一個簡單的“你好”回覆竟花費80美元，被稱為“過度思考的AI”。這雖然是極端案例，但現象真實存在且可量化。
我測試了14個模型，以證明等待時間（而非token定價）才是AI的隱藏成本。我的實驗在同一個小型Git倉庫中進行，每個模型作為終端智慧體執行。我有三個提示：“你好”、“commit”和“WTF”。每個提示對每個模型執行5次。
對於“你好”，有些模型快速回應：GPT-5.5和Grok僅使用2次工具呼叫。但其他模型則過度解讀。Sonnet平均使用24次工具呼叫，耗時49秒。它讀取了所有檔案，執行應用，甚至進行了未請求的程式碼提交。Haiku有3次超時，Minimax也有3次失敗。
作為對照，“commit”是一個明確的任務，所有模型100%成功，工具呼叫5-10次。一個真實任務比一句問候更容易處理。而“WTF”則導致混亂：Kimi平均43次工具呼叫，DeepSeek有4次失敗。Gemini 3.1 Pro無限迴圈直到超時，Fable則完全僵住。
現在計算等待成本。將LLM API費用與等待時間（按年薪12萬美元計算）相加。對於GPT-5.4-mini，等待成本是token成本的20倍。整個表格顯示，總成本主要由等待時間主導。
教訓是：提示詞是成本驅動因素。在相同環境下，總成本從0.08美元（GPT-5.4-mini的“你好”）到1.39美元（Qwen的“WTF”）不等。模糊性才是你付出的代價。token幾乎無關緊要——每秒0.016美元的等待成本遠超API費用。
整個行業正競相使模型更智慧。但我支付的並非智慧，而是等待。讓模型更快更便宜，提示成本將大幅下降。下個10倍改進就在於此，而非另一個基準分數。
在那之前，一個免費且現成的最佳化方法是：直接說出需求，不要客氣。它畢竟只是一臺機器。