同一个 GitHub 任务,只是换了接法,账单就能差出十几倍。OpenRouter 在 2026 年 11 月 11 日放出的一篇实测文,把这件事摆成一张能逐行核对的表:在 Claude Sonnet 5.5 上,默认开启的 MCP 服务用掉 CLI 的 42 倍输入 token,费用是 17 倍。看到这组数字,很多人的本能反应是回头去砍工具定义,可官方的 TL;DR 说的偏偏是另一回事:真正把上下文撑爆的不是工具定义,而是工具调用之后回传的结果。本篇是单任务实测口径与自测清单,不是接入教程,也不是单价横评;下面每个数字都能回到 OpenRouter 那篇官方实测文和配套的量化文逐条核对,时间锚点为截至 2026 年 11 月 12 日。还有一句错角要交代清楚:站内 8 月 31 日的 token 成本横评 与 11 月 4 日的 定价横评,比的是单位价格与跨模型成本,本篇盯的是同一个任务在不同接法下实际消耗多少 token,两边角度并不重合。
官方到底测了什么
先把被测对象固定下来。官方给的任务原句是一句英文提问,问 cli/cli 仓库的最新 release,以及该仓库带 bug 标签、最近开启的三个 issue:
What is the latest release of the GitHub repository cli/cli, and what are the three most recently opened open issues in that repository with the label bug?这句话看着平淡,却是整篇实测的锚:它既要读一个 release 对象,又要翻 issue 列表,恰好是 MCP 工具最爱回传大段 JSON 的场景。参与对比的是四个模型,Claude Haiku 5.5、Claude Sonnet 5.5、GPT-6 Luna 和 Gemini 3.8 Flash。接法分三类:命令行 CLI、Skill,以及 MCP;其中 MCP 又按工具数量、按是否裁剪结果,拆成好几档分别跑。
官方对测量方式写得很克制,原文是:We ran each combination three times on October 20, 2026, and show medians。也就是说,每种组合在 2026 年 10 月 20 日各跑三次,展示的是中位数,既不是单次最好成绩,也不是多次平均。更关键的是那句自报边界:We tested one server on one task, so run mcp_cost.py on yours before you decide.。一个服务、一个任务,样本窄得很;官方自己都提醒,套到自己的场景之前,先用 mcp_cost.py 在你自己的服务上跑一遍再下结论。把这句话抄进决策依据,比记住任何一组数字都要紧——因为下面所有数字,都是这一个任务、这一台服务、这四个模型下的产物,换一个任务,高低顺序完全可能改写。这也是本篇反复强调"可自行核对"的原因:表是别人的表,结论得是自己的结论。
为什么要把测量设计讲这么细?因为这张表很容易被误读成一句"MCP 就是比 CLI 贵",而官方压根没下这种全称判断。它固定了一个具体任务、四个具体模型、一台具体服务,还把每种组合跑了三次取中位数,目的正是把随机波动压下去,让同一条件下的接法差异能被看清。换句话说,表里的一组组数字是"在这个设定下会怎样",不是"任何场景都如此"。把设定记牢,后面五步清单才不会用错地方:你要复刻的是这套量法,而不是照搬那几个结果。
表里的 42 倍与 17 倍,按官方原文读
把 Sonnet 5.5 这一列摊开,六档数字是逐字可抄的。纯 CLI 接法 1,421 tokens、$0.0075;Skill 接法 3,315 tokens、$0.0118;MCP 只挂 2 个工具 23,228 tokens、$0.0552;46 个默认工具 59,417 tokens、$0.1274;全部 91 个工具 101,351 tokens、$0.2113;而 2 个工具再加上 results capped at 4,000 characters,落到 5,357 tokens、$0.0191。同一张表里,46 这个数字反复出现:默认档挂的是 46 个工具,后面讲结果回传时用的对照也是 more than all 46 definitions。
把这六档按工具数量排一排,趋势就清楚了:从 2 个工具到 46 个默认、再到 91 个全开,token 与费用是顺着工具集一路涨上去的;而同样是 2 个工具,加上结果长度封顶之后又落回一截。这说明影响账单的是几个可以分别拨动的旋钮,而不是某个"MCP 天生贵"的标签。CLI、Skill、MCP 是接法,工具数量、结果字段、结果上限是接法里的参数;读表时把接法和参数分开,才知道自己该动哪一处。
更值得逐字抄下来的,是官方原文那句:On Sonnet 5.5, the default MCP server used 42 times the CLI's input tokens and cost 17 times as much, $127 against $7.50 per 1,000 tasks.。也就是默认 MCP 用了 CLI 的 42 倍输入 token、17 倍费用,摊到每 1,000 个任务是 $127 对 $7.50。这里照官方原文写 42 倍 / 17 倍 / $127 / $7.50 即可,不需要也不应该用表内数字另做换算——这两个倍数就是官方对这次实测写下的结论,不是旁人代算的估算值。
工具定义本身也有固定开销,官方写的是 add 19,436 tokens to every request on Claude Sonnet 5.5,注意是 Sonnet 5.5,不是 Haiku。这笔钱每次请求都要付,属于进门就得交的前置成本。它该限定还是要限定,但并不是这张表里差距的主要来源;真正在后面几档把 token 数一路推上去的,是别的东西。
钱其实花在工具结果上
官方 TL;DR 把根因点得很直白:one tool result, GitHub's release object, cost about 20,400 tokens, more than all 46 definitions。一次工具结果,也就是 GitHub 的 release 对象,大约吃掉 20,400 tokens,比全部 46 个工具定义加起来还多。换句话说,工具定义是每次请求都要付的固定前置开销,却不是那个把上下文撑爆的隐藏大头;决定账单量级的,是工具调用之后回传的结果体有多大。
拆开看更清楚。get_latest_release returned GitHub's full release object, 42,182 characters, and 87% of it described the 22 download files:拿最新 release 时,官方接口把完整的 release 对象整个吐了回来,42,182 个字符里,有 87% 是在描述那 22 个下载文件。可任务只问"最新 release 是哪个",这份下载文件清单几乎全是噪声。于是官方做了个对照:asking for only number, title, and creation date cut its result from 8,336 characters to 714。只问编号、标题、创建时间,结果从 8,336 个字符砍到 714 个字符,缩掉一个数量级,任务要读的语义却一点没丢。
另一头更夸张:In four of six runs with 46 or 91 tools loaded, GPT-6 Luna asked for 100 issues with their full text and got 281,963 characters back.。在挂了 46 或 91 个工具的六次运行里,有四次 GPT-6 Luna 一口气要了 100 个 issue 的全文,拿回 281,963 个字符。工具集越大、越不加约束,模型越容易顺手把整页结果拖回来;到了这个量级,省下几个工具定义对总账单几乎没影响。所以把成本主因归到工具定义头上,与官方结论正好相反——定义该限定还是要限定,但真正要动手的是结果回传:让它只带必要字段,让单次结果有个上限。这也是为什么表里"限定到 2 个工具"和"再把结果封顶到 4,000 字符"是两步不同的收益。
值得再强调一次因果顺序:先有工具把大对象整个回传,才有了后面那一长串 token 消耗;工具定义只是每次请求开门时付一次的固定费用,不会随调用次数越滚越大。所以官方把 one tool result ... more than all 46 definitions 放进 TL;DR,不是随手写一句观察,而是在给降本动作排序——先管结果,再管定义,顺序反了就会在细枝末节上耗力气,却放过了真正的大块。
单价低,不等于这个任务便宜
这里顺带把一个常被混淆的前提讲清楚:单位 token 的单价低,并不等于单任务的总成本低。同一个任务,CLI 与 MCP 走的是完全不同的上下文路径,工具定义、工具结果、重试轮数都会改变实际消耗的 token 数量;单价是价目表上的数,总成本是价目表乘以用量,而用量恰恰随接法剧烈波动。只看每百万 token 的报价就断定哪种接法便宜,等于跳过了用量这个会大幅波动的变量。
这也正是本篇与前面两篇横评错开的地方。那两篇处理的是"选哪家、按什么价",本篇处理的是"同一个任务怎么接、会用掉多少 token";一个改价目表,一个改用量,两个杠杆不能混着算。想按单价省钱,前缀缓存、模型路由、批量调用是另一套动作,站内的 大模型 API 成本优化 SOP 讲的正是这些;本篇不重复,只把"用量"这一侧拆干净。
五步:自己就能核对的清单
官方给的结论原句很短:Use a CLI when one exists and your agent can run commands. When it can't, use MCP, scoped and with small results.。顺着这句话,可以把决策拆成五步,每一步都只用你自己能核对的维度,不需要照着任何按钮、菜单或控制台去找开关。
这五步的顺序不是随意排的:先看能不能绕开 MCP,绕不开再压工具集,压完工具集再压结果,Tool Search 放在后面是因为它动的是定义加载、且效果依模型而异,最后一律落到自测。前两步管"进门带多少",第三步管"每次回传多少",第四步管"要不要延迟装定义",第五步管"这些判断在你的环境里成不成立"。按这个顺序走,每一步的收益都能单独量出来,不会出现改了一堆却不知道哪一步起了作用的情况。
第一步,CLI 优先。当任务有现成的命令行工具、且你的 agent 确实能执行命令时,先走 CLI。表里 1,421 / $0.0075 这一档就是基准,Skill 与 MCP 都是在这个基准上叠出来的。这一步的前提是"agent 能跑命令",关于运行时怎么把这条能力落实,站内的 Claude Code 沙箱运行时 SOP 有另一层展开;本篇不重复环境搭建,只把它当作一个可核对的前提条件。
第二步,限定工具集。跑不了 CLI、必须用 MCP 时,别把默认的全套工具都挂上。官方把 46 个默认工具限定到 2 个,首请求的定义开销随之收窄;表里 2 tools 一档 23,228 / $0.0552 与 46 default 一档 59,417 / $0.1274 的落差,就是这一步腾出来的空间。核对维度很朴素:这次任务真正会用到几个工具,就只暴露几个。
第三步,裁剪结果。这是整篇实测里见效很清楚的一步。把 get_latest_release 要回的字段从完整对象收成编号、标题、创建时间,结果从 8,336 个字符降到 714;再给结果长度封顶,表里 2 tools 加 results capped at 4,000 characters 落到 5,357 / $0.0191,比不封顶的 23,228 / $0.0552 又低一截。可自行核对的是:每个工具的返回里哪些字段是任务真的要读的,单次结果允许的最大字符数设到多少。工具调用怎么组织、结果怎么接,站内的 AI Agent 工具调用 SOP 可以配合看。
第四步,Tool Search 依模型而异,别当成一律省钱。把全部 46 个 GitHub 工具延迟加载后,搜索前的开销官方写的是 578 tokens on the Claude models, 144 on GPT-6 Luna, and 130 on Gemini 3.8 Flash,而且 It's in beta。官方还提醒 Tool Search doesn't shrink tool results:它压缩的是"先把哪些定义装进上下文",不碰结果回传;文档建议是 Our docs suggest keeping your three to five most-used tools loaded。放到整个任务上看,效果并不一致:Sonnet 从 59,417 降到 30,334,确实省了;但 Haiku 从 99,319 变到 154,623,Gemini 从 35,409 变到 37,568,这两个反而变贵。所以 Tool Search 是依模型而异的开关,不是无脑省钱按钮,开之前要在自己的模型上量一次。顺带一提,配套量化文里 1,455 provider endpoints ... across 470 models 说的是一次测量覆盖 470 个模型上的 1,455 个供应商端点,测量日 October 20, 2026,并不是全平台的端点总量,别把这个数当成平台规模来读。
第五步,用 mcp_cost.py 自测再定。回到那句自报边界:一个服务、一个任务、四个模型、三次取中位数,样本窄得官方自己都不肯替你下结论。把 mcp_cost.py 接到你自己的 MCP 服务、自己的任务上跑一遍,得到你自己的表,再决定 CLI、Skill、MCP 怎么选。这五步没有一步要求你相信别人的数字,全部落在"换成你自己的环境再量一次"上;这正是单任务实测口径能给到的、很实在的东西。
常见问题
Q1:42 倍和 17 倍是怎么来的?
A1:来自 OpenRouter 官方实测文的原句:默认 MCP 在 Sonnet 5.5 上用了 CLI 的 42 倍输入 token、17 倍费用,即每 1,000 个任务 $127 对 $7.50。这是官方直接给出的结论倍数,按原文照抄即可,不需要用表里的 59,417 和 1,421 反推,也不该把它改写成近似值。
Q2:工具定义是不是成本大头?
A2:不是。官方 TL;DR 说一次工具结果约 20,400 tokens,比全部 46 个工具定义加起来还多。工具定义是每次请求的固定前置开销,在 Sonnet 5.5 上每次请求加 19,436 tokens,该限定还是要限定,但撑爆上下文的是结果回传:42,182 字符的 release 对象、281,963 字符的 issue 全文。裁剪结果比砍定义有效得多。
Q3:Tool Search 一定省钱吗?
A3:不一定,依模型而异。搜索前开销 Claude 系列 578 tokens、GPT-6 Luna 144、Gemini 3.8 Flash 130,而且它还在 beta,也不压缩工具结果。整任务看 Sonnet 从 59,417 降到 30,334 是省了,但 Haiku 从 99,319 到 154,623、Gemini 从 35,409 到 37,568 反而变贵。开之前用自己的模型量一次。
Q4:能直接把这张表的数字抄到自己的项目吗?
A4:不能。官方自报边界是一个服务、一个任务、四个模型、三次取中位数,还专门写了 We tested one server on one task, so run mcp_cost.py on yours before you decide.。数字只对这个任务成立;换任务、换服务、换模型都会变,先用 mcp_cost.py 在你自己的环境里跑出自己的表。
Q5:量化文里的 1,455 是全平台端点总量吗?
A5:不是。原文是 1,455 provider endpoints ... across 470 models,指一次测量覆盖 470 个模型上的 1,455 个供应商端点,测量日 October 20, 2026,不是全平台总量。别把它当平台规模,也别拿它和本篇的单任务 token 数混算。