同一个人开十辆不同的车，能否到站或许差不多，油耗却可能天差地别。这次测试把十款编码 Agent——包住模型、安排提示和工具调用的执行框架——放到同一台 MacBook Pro、同一个 Qwen 3.8 27B 模型和 llama-server 本地服务上，各做五个带“小陷阱”的编码任务。结果通过率只分成 4/5 和 5/5 两档，资源开销却拉开得更明显。
据测试作者 latent_lurker8587 自述，Pi 五题全过，单任务 token 中位数仅 9.2k；Qwen Code 通过四题，却用到 107.9k，相差近 12 倍。这里的 token 可粗略理解为模型处理文字的计量单位。缓存复用也从 72% 到 93% 不等：它会沿用已经算过的相同提示前缀，免去重复运算。Atomic Agent 保持各轮提示稳定，缓存复用率达 86%，五题全过且未联网。测试只有五道小题，不能代表全面能力，但它提醒本地用户：决定速度和算力账单的，不只是哪一个模型，外层 Agent 怎么组织工作同样关键。