一个数字很刺眼：用户每月付 100 美元用 Claude Max，如果拿它接近满负荷跑 Claude Code，按 API 价格折算，消耗可能超过 1000 美元。
这不是 Anthropic 的官方财报。也不是说每个订阅用户都让公司亏 10 倍。它更像一个外部估算锚点：当 LLM 编程从“补几行代码”变成“读项目、改文件、调工具、反复试错”，那张账单会突然变厚。
我更在意的不是 AI 编程有没有用。它当然有用。真正的问题是：如果最像杀手级应用的场景，本身要靠高额补贴维持便宜感，这个商业故事就没那么顺了。
发生了什么：100 美元订阅，被拿来跑 1000 美元级别的 API 等价消耗
原文作者做了一个 Claude Code 实验：让它生成约 4 万行代码，做出一个可用但未完成的应用。
评价并不差。对有编程背景的人来说，这种体验很惊艳。很多原本没时间推进的东西，能被推到“能跑起来”。
但代价也露出来了：返工、回退、审查、上下文消耗，一个都没消失。
| 关键项 | 已知信息 | 该怎么理解 |
|---|---|---|
| 订阅价格 | Claude Max 100 美元/月 | 高强度用满时，可能明显低于 API 等价价 |
| 估算锚点 | Opus 4.6 API：输入约 5 美元/百万 token，输出约 25 美元/百万 token | 只能当外部价格参照，不等于厂商真实成本 |
| 使用方式 | Claude Code 做 agentic coding | 不只是聊天，还包括读代码、改文件、调工具、试错 |
| 实测结果 | 约 4 万行代码，可用但未完成 | 有产出，也有返工和管理成本 |
| 核心限制 | 单次复杂任务可能消耗百万级 token | 便宜的是简单问答，不一定是复杂工程任务 |
这里最容易误读的是一句话：token 单价下降，不等于任务成本下降。
普通聊天确实越来越便宜。摘要、润色、解释一段代码，成本已经接近可忽略。
但编程不是普通聊天。它要读仓库，要生成方案，要调用工具，要失败后重试，还要把上下文塞回去。一次复杂任务吃掉百万级 token，并不离谱。原文提到，单个高强度递归任务按 API 价估算可到几十美元。
所以那个“100 美元订阅跑出 1000 美元等价消耗”的判断，必须加限定：高强度、接近额度上限、agentic coding 场景。
离开这个条件，就容易把一个边界案例说成全局亏损。
为什么重要：AI 编程的贵，贵在看不见的递归
很多人对 LLM 成本的理解，还停在“输入多少字、输出多少字”。这套想象适合聊天，不适合 agentic coding。
真正烧钱的地方在后台。
模型可能先读文件，再规划；再改代码，再跑工具；报错后回看日志；修一轮，又引入新问题；上下文越来越长，输出越来越多。用户看到的是一句提示词。系统跑的是一串看不见的循环。
这就解释了一个反常点：模型单价在降，复杂任务却未必同步变便宜。
原因很简单。单价降一半，如果调用次数、上下文长度、试错轮数涨十倍，账单还是上去。
这对两类人影响最大。
一类是重度开发者。Claude Code、Copilot 类工具可以继续用，但任务要分层。小修小补、脚手架、测试补齐、代码解释，很适合。大规模重构、跨模块设计、含糊需求的自动实现，就要盯紧。别让模型用几十轮推理，替你证明一个需求本来就没想清楚。
另一类是技术管理者。别只看“代码行数变多”“提交变多”。要看返工率、回滚次数、review 时间、线上缺陷、单个功能的总成本。采购可以先上小范围试点，不要急着把团队工作流全部迁进去。尤其是预算敏感的团队，先算高强度使用场景，而不是拿轻量聊天成本做决策。
这不是保守。是把便宜幻觉剥掉。
AI 编程最像云计算早期的故事：先让你觉得资源便宜、扩容丝滑，后来才发现账单来自你没管理好的用量。两者不完全一样，但人性一样。只要边际成本被界面藏起来，浪费就会长出来。
真正该看什么：补贴退潮后，谁还负担得起
Anthropic 讲过 “When AI builds itself” 这样的叙事。它很有吸引力：AI 写更多代码，提交更多变更，提高研发速度，最后反过来加速 AI 自身进步。
这个故事有真东西。LLM 确实能帮会编程的人扩大产出。原文作者的实验也说明，Claude Code 能把一个应用推到可用状态。
我不买账的是另一层：把代码行数、提交量、成功率，直接换算成生产力。
代码不是棉布，不能只按产量算。工业革命里机器织布，产量上去，价格下来，消费者立刻受益。软件更麻烦。多一行代码可能是功能，也可能是债。提交量增加，可能是效率提升，也可能是模型迷路后不断回滚、修补、覆盖。
原文有个细节很关键：作者的 LLM check-in 变多，部分原因是方便在 Claude Code 走偏时回退。
这说明什么？说明很多“产出”旁边，其实站着一套安全绳。
古话说，“天下熙熙，皆为利来”。放在这里很准。大模型公司当然愿意补贴编程场景。开发者黏性强，付费意愿高，传播效果好，还能支撑“AI 正在写软件”的行业叙事。
但商业模式不能只靠叙事。API 单价可以降，缓存可以更聪明，模型可以更快。可只要复杂任务还依赖大量递归、工具调用和试错，成本就不会因为一句“token 便宜了”自动消失。
接下来真正该观察的不是发布会口径，而是四个变量：
| 观察变量 | 为什么重要 |
|---|---|
| 订阅额度是否收紧 | 如果高强度用户被限流，说明补贴压力在显形 |
| 高级模型是否继续分层 | 如果好模型只进更贵套餐，低价体验会变薄 |
| 企业套餐怎么定价 | 个人订阅可以补贴，企业采购更接近真实账本 |
| 工具是否减少无效递归 | 成本能不能降，关键看少走多少弯路 |
对开发者来说，最现实的动作不是弃用，而是分配任务。把 AI 当放大器，不要当无人驾驶。让它写，但人要拆任务、设边界、做 review。
对团队来说，更现实的动作是延后大规模迁移。先跑一组项目，看单位功能成本，而不是看演示里生成了多少行代码。
这篇文章提醒的不是“LLM 编程不行”。恰恰相反，它提醒我们：越有用的工具，越容易被便宜价格喂大依赖。
现在的问题不在产品，而在激励设计。厂商要增长，要叙事，要开发者习惯；用户要效率，要省钱，要少招人。两边都愿意暂时不看账本。
账本不会消失。它只是在补贴期里安静了一点。