6000亿Tokens，30天，130万美元——OpenClaw创始人Peter Steinberger晒出的OpenAI账单，让整个AI创业圈看到了Agent规模化最真实、最残酷的成本底牌。
事件回顾
5月16日，OpenClaw创始人Peter Steinberger（现在OpenAI任职）在X上发了一条推文，附了一张OpenAI API用量图：
30天内消耗6000亿Tokens，费用$1,307,000。
这相当于日均$43,000（约31万人民币），每分钟烧掉$30。
Steinberger同时展示了CodexBar（他自己开源的OpenAI用量监控工具）的截图：运行约100个AI代理，持续进行代码审查、Bug发现和PR评估。其中GPT-5.5（OpenAI最贵的模型）是主要消耗源。
这条推文在Hacker News上炸出199条评论，156个点赞，冲上当日热榜前列。
账单拆解：钱都烧在哪了？
根据Steinberger公开的数据和HN评论区的讨论：
| 项目 | 数据 |
|---|---|
| 总Token消耗 | 6000亿（600B） |
| 总费用 | $1,307,000（约930万人民币） |
| 日均费用 | ~$43,000 |
| 代理数量 | ~100个（持续运行） |
| 主要模型 | GPT-5.5（最贵） |
| 主要场景 | 代码审查、Bug发现、PR评估 |
评论区用户@thomasahle提供了一个对比视角：他使用15个Codex订阅账号（$200/月×15 = $3,000/月），每月消耗1500亿Tokens。他认为60个Codex账号月费仅$12,000，可以获得与Steinberger接近的用量——意味着API按量计费比账号订阅贵了100倍。
为什么重要
1. AI Agent的经济性首次被「晒在阳光下」
在此之前，没有人公开过大规模AI Agent的运行成本。$1.3M/30天是一个令人震惊的锚点。
对于AI创业者，这意味着：
- 即使你是OpenClaw的创始人，规模化的Token成本也极其惊人
- 开源模型（Hermes Agent的多provider架构）和缓存策略不是锦上添花，是生存必需
- 「成本结构」应该成为AI产品的核心设计要素，而非事后考虑
2. 评论区的两极分化暴露了行业认知断层
- 正方（少数）：「这就是创新的代价，AI将替代大量人力」
- 反方（多数）：「6000亿Tokens产出是否值$1.3M？一个年薪$200K的工程师团队能干更多」
- 中间派：「Token消耗本身不是问题，问题是效率——有没有更好的方式来用这些Token」
HN最高赞评论来自@comboy：「worth mentioning that openai hired him some time ago」——暗示这是OpenAI内部人员的「炫富式消费」。
3. 这个数据对一人公司的参考价值有限——但教训相反
Steinberger的账单对个人创业者而言几乎不可复制。但反向思考更有价值：
「省下的每一分Token成本，就是利润。」
我们能学到什么
要点1：Agent成本有3个优化阶梯
阶梯1：模型选择 → 用Claude Sonnet/Opus替代GPT-5.5，成本降5-10倍
阶梯2：缓存策略 → Prompt缓存+结果缓存，效果好的项目可降30-50%
阶梯3：批处理优化 → 合并请求、减少冗余推理，极端情况可降90%+
要点2：订阅模式 vs API模式的经济学
HN评论区揭示了一个关键事实：Codex Pro订阅（$200/月）隐含约$5000-6000的API额度。规模化时：
- 60个Codex订阅 = $12,000/月，获得与$1.3M/月相近的Token量级
- 纯API按量计费 = $1,300,000/月
差距100倍。这对选择「ToC产品定价」和「ToB API接入」有直接指导意义。
要点3：监控就是利润
Steinberger开的CodexBar（github.com/steipete/CodexBar）虽然是追踪OpenAI用量的工具，更重要的意义是：
不可见的成本=失控的成本。用量可视化是成本控制的第一步。
行动建议
- 今天就开始追踪API用量：部署CodexBar或类似工具，最少做到每日用量告警
- 评估你的Token消耗效率：当前每美元产出多少价值？如果不知道，需要开始计算
- 建立成本预算机制：为每个Agent设定Token上限，用Hermes/OpenClaw的quota控制功能
- 考虑混合模型策略：简单任务用小模型（如Claude Haiku/GPT-4o-mini），复杂任务用大模型