用 Claude 跑测试，钱是怎么烧掉的

早上打开 CI 账单，发现昨天的测试任务花了八百多美元，而代码只改了三行文档。这不是模型贵，是每一步都在把前面所有截图重读一遍。

一、发生了什么

HackerNoon 10 月的一篇文章把这件事算成了一笔明账。文章引用的起点是 2026 年 3 月：Anthropic 承认 Claude Code 用户比预期更快撞到额度上限，一位开发者在 GitHub 上记录，五小时的额度在 19 分钟内用光；另一条广为流传的评论是，一次启动 102 个代理，六分钟烧掉 120 美元额度。同期还有两个提示缓存缺陷，把 token 消耗放大了十倍到二十倍。

把 bug 排除掉，结构性问题还在。Playwright 的浏览器代理每一步都返回一棵无障碍树快照，简单页面几百 token，真实后台页面会膨胀。关键在于，快照一旦进了对话历史就不会被删，第二步要重发第一步，第十二步要重发前十一步。

工程师 Kuljeet Singh Shekhawat 做过一次记录：把 Playwright 接进 Claude Code 跑 15 条测试，跑到第 6 条，20 万 token 的上下文已经用掉 75%；其中一次截图调用单独吃掉了 23.2 万 token。另一位工程师的基准里，到第十二步，对话里已经背着 9 万 token 早已离开的页面快照。

文章还给了一组可比数字：单作者记录下，一条浏览器测试接近或超过 10 万 token，而命令行循环约 2.7 万；在 12 种 harness 配置的对比里，同一个模型每解决一个任务消耗的 token 从约 3500 到约 29.2 万，差 70 倍。启动开销同样被计费：一种配置开场 700 token，另一种 2.6 万，且每轮重发。

按文的算法，每步 8000 token、每条流程 6 步、30 条流程、输入每百万 3 美元，单次约 144 万 token、4.3 美元；一天跑 200 次，约 864 美元。需要说明，这篇文章的作者立场偏向托管测试服务商，数字是自己搭的模型，属估算而非第三方审计。

二、跟你有什么关系

刚把 AI 测试接进 CI 的团队：先看每天跑多少次，再看每次多少 token。次数是乘数，最容易被忽略。

只有几条核心流程的小团队：自己搭反而划算，量小到不了痛的那条线。

负责预算的人：按 token 计价，惩罚的是「测试套件规模 × 运行频率」，不是代码质量。

三、怎么用

1. 先算一次。步骤数 × 流程数 × 每步 token × 单价 × 每天次数，四个数乘出来，再决定要不要优化。
2. 改之前先分级。文档改动几乎不跑，结账链路全跑。分类规则比任何单价优化都省得多。
3. 判定交给确定性断言。状态码、接口返回、邮件到达、文件下载，这些不用模型看截图猜，也就不用重跑。
4. 给并发和单次预算设上限。跑飞的时候，闸门比报警有用。

四、三个别信的说法

「token 单价每年降十倍，等等就便宜了。」 单价在降，单次任务的消耗在涨，因为大家把一次性问答换成了整条代理循环。两条曲线不同步，账单不会自己变好看。

「换个便宜模型就解决了。」 同样的 harness 换模型，量级变化不大；换 harness，能差出几十倍。先改外壳，再换发动机。

「测试覆盖率越高越安全。」 在这个成本结构下，覆盖率是把重跑面积做大。稳定的核心回归加按改动动态选测，比追百分比实在。

五、一句话结论

烧钱的不是模型回答，是它每一轮都把所有旧截图重新读一遍。

信息来源

• HackerNoon：没有 harness 的 AI 浏览器测试如何烧预算，2026 年 10 月

功能与价格以官方公告为准。本文写于 2026 年 10 月 23 日。