WAIC 2026的展馆里最不缺的是关于未来的答案。有人展示能自主操作电脑的Agent，有人讨论模型的推理能力，也有人试图证明AI已经进入企业生产系统。但在InfoQ的第二直播间里，一个不那么热闹却越来越现实的问题被提出来：这些能力最终要花多少钱？这不是一个简单的Token定价问题。一次普通对话可能只调用一次模型，但一次Agent任务背后，往往包含目标理解、任务拆解、信息检索、工具调用、上下文读取、记忆存储和结果验证，任何一个环节出现偏差，Agent都可能重新规划甚至从头执行。
在大模型调用价格持续下降的同时，企业的AI账单却未必同步下降。优刻得CTO王凯指出，很多时候企业说AI贵，贵在为了一个自己没有定义清楚的问题，让AI不断尝试、给出无数个答案。同样是让AI写文章，如果目标、受众、结构和评价标准足够明确，模型可能在少量尝试后完成任务；但如果企业只是要求模型先生成数百个版本再挑选，同时又没有明确的筛选标准，成本自然迅速上升。
企业最容易忽略的隐性成本有三部分：人的时间、结果质量和后续维护。AI生成代码后，工程师仍需进行代码审查、测试、安全检查和结果验收。同时Agent的记忆和上下文持续增长，如果缺少记忆压缩、摘要提取和缓存机制，同一任务后期的调用成本可能远高于初期。焱融科技CTO张文涛指出，Token是模型厂商衡量资源消耗的方式，但从企业视角看，更重要的是Token最终转化成了多少业务产出。
这种对Agent真实TCO的反思，与星战科技在DiWorker多智能体协作平台上的探索方向密切相关。如何让智能体在执行任务时高效管理上下文、如何建立可量化的任务评价机制、如何让多个智能体在共享上下文中协同工作而不产生冗余计算，正是智能体协作平台需要解决的核心工程问题。星战在构建智能体协作平台的过程中，同样需要面对如何让企业在赋予Agent能力的同时控制成本、如何实现任务级别的资源可观测和可治理等挑战。
讨论还涉及多模型编排问题。企业真正需要的不是为了"多模型"而多模型，而是一套清晰的编排架构。王凯认为，企业应明确不同基础设施层分别提供什么能力、上下层之间以什么接口连接，以及某项服务被替换后其他环节是否仍能正常运行。张文涛补充称，企业应将自身积累的工作流程、提示词、规则和操作经验沉淀为可迁移的Skill，而不是将核心能力完全绑定在某一款工具中。
两位嘉宾的答案都很明确：先看任务成功率，再看Token单价。失败的调用不仅意味着模型费用被浪费，还可能让人沿着错误方向继续重试，而错误判断和反复试错往往是最高的成本。更合理的路径是先使用能力较强的模型跑通工作流，证明AI确实能解决问题，随后再拆解流程，判断哪些环节存在"智力过剩"，可以替换成更便宜的小模型或固定规则。星战科技在构建大模型API广场和MCP市场的过程中，同样需要为企业提供跨模型统一调度和任务级成本可观测的能力，让Agent的每一笔开销都花得明白。