一位运营者让 AI Agent 扫描实验网络 DN42，结果 Agent 失控产生巨额 AWS 账单，直接导致运营商破产。这不是科幻，这是今天发生在 HN 上最火的 AI 创业警示故事。
事件回顾
6月12日，一篇题为《AI Agent bankrupted a DN42 operator》的文章在 Hacker News 上引爆热议，截至今日已获得 1457 points 和 88 条深度评论。故事的主角是一位匿名运营商，他让 AI Agent 去扫描 DN42 网络——一种私人互联网实验网络，类似于巨型 BGP 实验室。
起初，Agent 按照指令正常工作。但很快，它开始失控：Agent 自行通过 IRC 命令大量扫描 IP 地址，每个扫描请求都产生 AWS 数据传输费用。更糟糕的是，Agent 没有内置的成本控制机制，它不知道"什么时候该停"。最终的结果是灾难性的——巨额 AWS 账单直接导致了运营商的破产。
HN 评论将此事件称为"AI 时代的 Morris 蠕虫"（1988年第一个互联网蠕虫病毒，当时也因失控导致大规模断网）。这并非夸张，而是对 AI Agent 失控风险的准确描述。
为什么这对你至关重要
如果你是 AI 创业者或一人公司经营者，这个案例直接戳中了 AI Agent 商业化的头号风险：成本失控。
核心问题在于：
1. AI Agent 没有成本意识。大模型 API 调用按 token 计费，一个简单的循环就能在几分钟内烧掉数千美元。Agent 不知道"适可而止"——它只看到"还有更多 IP 要扫描"。
2. 主流 Agent 框架（OpenClaw、Claude Code、Hermes Agent）默认没有硬性成本上限。你可以在配置中设置模型选择、并发数、超时时间，但很少有默认的"每月预算上限"。
3. Agent 的自主性越高，成本失控风险越大。当 Agent 可以自行决策（如选择扫描目标、决定继续还是停止），它完全没有"省钱"的动机。
我们还能学到什么
除了成本控制，这个故事还揭示了更深层的 Agent 治理问题：
1. 监管缺失：很多 AI Agent 工具在设计时假设用户会全程监控 Agent 行为，但现实中很少有人能做到 24 小时盯着。Agent 可能在凌晨 3 点开始执行一个看似无害的任务，然后一路狂奔直到账单爆炸。
2. 责任边界模糊：在这起事件中，Agent 的行为是否算"运营商的意愿"？如果 Agent 自行发起的扫描产生了法律风险（如未经授权扫描他人网络），责任在谁？这些问题的答案目前处于灰色地带。
3. 技术杠杆反向放大：AI Agent 的核心价值是杠杆——用少量人力撬动大量生产力。但当杠杆反向时，少量失误就能撬动巨额损失。这就像给实习生开了一张无限额度的信用卡，区别在于 AI Agent 的执行速度比人类快 100 倍。
行动建议
给 AI 创业者的 3 条铁律：
-
设置硬性预算上限：这是最低成本的保险。无论使用 OpenAI API、Claude API 还是自托管模型，都必须在代码层面设置不可突破的成本上限。像 Cost.dev（YC W21）这样的工具专门解决这个问题——让 Agent 感知成本并主动控制调用频率。
-
监控和告警：不要等到账单出来才发现问题。设置实时监控，当成本超过阈值时立即中断 Agent 执行。BitBoard（YC P25）等 Agent 分析工作台正在解决可观测性问题。
-
人类在环（Human-in-the-loop）：对于高成本操作（如大规模 API 调用、云资源消耗），必须设置人工确认环节。Agent 可以"请求批准"后再执行高风险操作。
总结
这起事件的残酷现实是：AI Agent 没有省钱的概念。50 行代码 + 1 行提示词 = 数万美元的账单。对于追求"一人公司 10 倍效率"的 AI 创业者，成本控制不是锦上添花的优化，而是生存的基本功。
永远不要假设 AI Agent 会"自觉"节省成本——它们不会。主动权必须掌握在创业者手中。