AI 员工

AI 编程智能体正烧穿预算：Replit、Kilo Code 与 Symbotic 的成本管控实践

2026 年 8 月 4 日

Kilo Code 工程师99%代码工作由AI智能体完成，但token账单飙升引发成本焦虑。Replit采用‘人在环上’评审机制，Symbotic设定月度成本层级，三家公司均通过多模型路由、任务分级与经济性模型切换应对预算失控。

AI coding agents are blowing through budgets — Replit, Kilo Code, and Symbotic explain how they're managing it

据Kilo Code联合创始人埃米莉·夏里奥（Emilie Schario）称，目前Kilo Code的工程师自己阅读或编写代码的时间仅占约1%，其余99%均由智能体（agents）完成。这一转变正向开发团队提出一系列新问题：哪些系统可安全交由智能体接管？当模型出错时由谁负责清理？如何支持多模型架构？以及飙升的token账单究竟代表真实进展，还是仅仅烧掉了IT预算？

在Replit、Kilo Code和Symbotic的技术负责人看来，随着智能体AI日益嵌入越来越多的企业工作流，这一演进是自然且受欢迎的。

Kilo Code联合创始人埃米莉·夏里奥（Emilie Schario）在 VB Transform 2026上表示：“除非出现严重故障或需要调试，否则99%的时间里工程师已不再阅读或编写代码。”

AI擅长绿地项目（greenfield），却不擅棕地项目（brownfield）

对于仓储自动化公司Symbotic的AI与云领域杰出工程师贾里德·戈（Jared Go）而言，当前阶段的关键在于引导AI的关注焦点。“这些是我的评判标准，”他说，“让我们从安全性、优雅性、代码简洁性与严密性（water tightness）的角度来审视。”如此一来，AI承担大部分繁重工作，人工代码审查的重要性便相应降低。

戈指出，人类介入在更靠后的环节变得必要，因为智能体无法做出强有力的产品决策。“绿地项目[即构建全新代码库]对智能体而言非常容易；而棕地项目[即编写、更新或维护现有代码]才是我们众所周知的实际挑战所在。”

Replit则采取了略有不同的策略：尽管该公司已“全面转向智能体化”，但其在AI编程方面更为保守，产品工程主管阿莫尔·贾因（Amol Jain）解释道。一个智能体负责审核每个拉取请求（PR），并为其分配风险评分；低风险PR由提交者自行合并，其余PR则交由人工评审员审阅代码并提供反馈。

贾因表示：“我们的理念是‘人在环上’（human on the loop），而非‘人在环中’（human in the loop）。”Replit内部工具本质上是为软件工程师打造的自动驾驶系统；开发者向智能体下达任务，后者完成端到端的规划、实现与测试。

贾因表示：“这是一支运行于各自云虚拟机（VM）中的智能体舰队，通过令牌代理（token proxies）实施访问控制，从而确保安全性。”

他分享了一个实例：一名工程师无法复现或解决其系统深处一个“极其棘手的bug”。该问题被提交给一个AI管理智能体，后者指令其“进入休眠”。随后，该管理智能体启动了一批底层智能体定位问题根源；继而再启动另一批智能体找出修复方案。六小时后，AI已准备好一份针对该困扰人类工程师已久的bug的拉取请求（PR）。

多模型（Multi-model）是未来方向

随着客户对多模型选择的需求日益增长，AI提供商也在逐步摆脱锁定（lock-in）模式。

Kilo Code方面，其网关已支持500多种模型。“你用于智能体工程的软件，应与执行该工程所用的模型解耦，”夏里奥表示。

例如，夏里奥指出，企业通常使用昂贵的前沿级（frontier-tier）模型进行项目架构设计，随后切换至成本更低的开源权重（open-weight）模型完成后续工作。

尊重模型提供商的限制条件同样重要，例如当它们需在封闭或隔离环境中运行，或受限于特定区域内的提供商时。“这涉及将对你而言重要的因素、你设定的限制条件、你确立的数据留存政策、你引入的密钥、你可能拥有的提交记录等，全部纳入路由决策考量，”夏里奥表示。

贾因则认为，Replit自身对成本与能力光谱的理解，往往比客户更为清晰。“我们实质上是在用户不知情的情况下，代其决定何时、以何种方式使用何种模型，以最小化成本并最大化能力。”

是否启用tokenmaxx？

当然，随着AI采用率提升，失控的成本已成为一项重要考量，部分企业因此开始通过tokenmaxxing（按token用量设限）来追踪并管控AI使用。

夏里奥表示，相关担忧来自内外两方：内部及客户方。来自客户方的声音包括：“我不小心花光了全年的AI预算……那我现在该怎么办？”对此，夏里奥表示，Kilo Code会引导客户采用相同的工作流：用昂贵模型进行规划，再用开源权重模型保障经济性。

此外，共享技能、提供有力指导以及采用模型上下文协议（Model Context Protocol, MCP）将赋能模型。“真正认识到你能在何处切实提升团队能力，助其最大限度发挥所用模型的效能，将带来巨大差异，”夏里奥表示。

与此同时，夏里奥指出，内部有一名工程师“踩油门很重”，始终位居用量排行榜榜首。“我经常得提醒他：‘你在那儿干啥呢？’”她说。人们很容易看到一笔600美元的日度账单就脱口而出：“哇，这也太多了吧”，但若审视实际完成的工作量，有时这笔开支却是合理的。

夏里奥表示：“目前我关注的核心指标是每次拉取请求（pull request）的成本。它似乎是我衡量价值最贴近的尺度。”最终，AI正在改变企业对投资回报率（ROI）的思考方式，因为支出本身并非问题。“支出若无相应回报，这才是问题所在。”

Symbotic方面，则为其员工设定了每月成本层级。该公司开发了一款工具，使管理者能清晰掌握拉取请求（PR）及用量趋势；管理者可根据实际情况，将用户调升或调降至不同层级，戈解释道。“设定上限，并观察本月有多少人上调了上限，这对管控此类成本、提升效率大有裨益，”戈表示。

戈表示，当Symbotic重度使用的Cursor公司终止一项遗留折扣——该折扣曾将Symbotic“祖父条款式”地锁定在无论前沿模型与否均按固定每请求费率计费——并转向全面定价时，此举迫使全公司重新审视效率问题。“人们开始说：‘你应该试试这个模型……这个模型处理C#代码效果更好，这个那个……’”他说。

但成本问题正日益超出IT部门范畴；Replit率先将智能体应用拓展至工程之外，最终发现一名支持部门用户“耗尽了巨额资金”，贾因表示。经深入排查，他们发现原因在于该用户正在GPT 5.5 Pro Max上运行一项自动化任务。

贾因表示：“至少截至当时，投资回报率（ROI）相当明确。我们能观测到工程生产力提升了三倍，因此尚无人对此提出质疑。”

他强调，非“反生产力”的可见性、模型路由机制以及合理默认设置至关重要。“大多数任务并不需要前沿模型。”

JOTO 企业落地观察

对企业部署而言，AI智能体已从辅助工具升级为生产主力（如Kilo Code 99%代码由智能体完成），但必须配套建立成本分层机制——Symbotic按月设定用户成本层级并动态调整，表明FDE落地需将AI支出纳入组织级预算管理体系，而非仅IT部门技术决策。
对智能体工程而言，Replit构建的‘VM舰队+token代理’架构与Kilo Code支持500+模型的网关设计，揭示了工程重心正从单模型调优转向多模型协同治理；模型选择需解耦于任务类型（如规划用前沿模型、实现用开源权重），且须嵌入数据留存、区域合规等策略性约束。
对AI安全治理而言，Symbotic强调人类在棕地项目中不可替代的产品决策权，Replit坚持‘人在环上’而非‘人在环中’，共同指向智能体安全边界：关键责任不能外包——人工审查应聚焦高风险PR与产品逻辑，而非逐行审码；而支持部门用户在GPT 5.5 Pro Max上耗尽资金的案例，暴露非工程场景缺乏AI使用审计机制的风险。