Claude Code 的能耗揭示 AI Agent 的隐性成本

尽管现代 AI 基础设施的效率不断提升，Claude Code 在一名研究人员为期八周的实验中，估计仍消耗了 170 千瓦时电力。

气候科学家 Zeke Hausfather 追踪了通过 Anthropic 编程 Agent 提交的 1,138 条指令。这些指令触发了超过 14,000 次模型调用，并处理了 32 亿个 token。他的核心估算结果约为每条人工提示消耗 150 瓦时。

这一估算大约是已公布的典型 Gemini 文本提示能耗的 600 倍。这种反差挑战了人们对人工智能的一种令人安心的看法：单条提示是衡量资源消耗的有效单位。

AI Agent 并非只是回答问题然后停止。它会制定计划、调用工具、读取结果、重新审视工作上下文，并再次尝试。因此，一项请求可能会启动一条漫长的计算链，而这条链对用户而言基本不可见。

这正是近期 AI 能源争论背后的真正冲突。Google 和其他提供商已使单次响应变得极其高效；与此同时，Agent 产品却将每条用户指令转化为多次响应、工具调用和重复的上下文读取。

这并不证明每个 AI Agent 都在浪费电力。但它表明，熟悉的按提示比较方式已无法描述不断增长的一类 AI 工作负载。开发者、企业采购方和基础设施规划者如今需要围绕已完成任务建立衡量标准。

Claude Code 的能耗改变了衡量单位

关键变化并非一次新模型发布，而是证据表明：一条人工提示可能掩盖了完整的计算工作流。

Hausfather 分析了自己从 2026 年 5 月 31 日至 7 月 25 日期间的 Claude Code 使用活动。Claude Code 是一种 Agent 式编程系统，这意味着它能够在有限人工指导下规划并执行一系列操作。

在这八周中，Hausfather 输入了 1,138 条提示。他的日志记录了超过 14,000 次独立模型调用，平均每输入一条提示就会产生约 12 次调用。

这些会话共处理了 32 亿个 token。Token 是语言模型在处理文本、代码、指令和已存储上下文时读取及生成的单位。

Hausfather 估计，这些工作负载消耗了约 170 千瓦时的数据中心电力。由于 Anthropic 并未公布每次模型调用的直接能耗测量数据，他给出的不确定区间约为 70 至 330 千瓦时。

由此得出的核心估算约为每条人工提示 150 瓦时，合理区间则为 60 至 290 瓦时。

相比之下，Google 表示，在其生产环境中，一条处于中位数水平的 Gemini Apps 文本提示消耗 0.24 瓦时。这一数字涵盖了加速器功耗、主机系统、闲置容量和数据中心开销。

Google 的生产环境测量不一定与 Hausfather 的计算相矛盾。它们描述的是不同类型的活动。

一条 Gemini 文本提示可能只生成一个简短回答；而一条 Claude Code 指令则可能启动一场包含研究、代码生成、命令执行、调试和重复评估的会话。

这一区别解释了为什么 Hausfather 认为，一条提示更像一次出行，而不是固定距离。除非分析人员同时知道每次出行去了哪里，否则仅统计出行次数并不能说明太多问题。

他的 Claude Code 会话中位数估计消耗 0.6 千瓦时，合理区间为 0.25 至 1.2 千瓦时。他平均每个工作日的估计能耗达到 3.0 千瓦时。

能耗最高的一天，核心估算达到 11 千瓦时。当天，多个并行 Agent 共同处理了一项大型地理空间分析工作。

这些数据来自一位使用强度异常高的用户，并非所有 Claude Code 客户的代表性样本。Hausfather 处理复杂的气候数据，并称自己比大多数人使用得更频繁。

不过，这项实验揭示了一种超越单一研究人员的衡量失效：用户看到的是一条指令，而基础设施实际处理的是一系列分支式计算事件。

这种转变十分重要，因为企业正越来越多地将 Agent 宣传为完整工作流的替代品。如果产品承诺的是完成工作，其资源核算也应衡量已完成的工作。

为什么 AI Agent 比聊天机器人消耗更多资源

Agent 通过迭代、并行工作和重复处理上下文来放大能源需求，而非依靠某一次异常庞大的响应。

标准聊天机器人交互通常遵循简单路径：用户发送文本，模型处理上下文，系统生成答案。

Agent 工作流则加入了控制循环。模型决定下一步行动，使用工具，观察结果，更新计划，然后启动另一轮推理。

推理是运行已训练模型以生成结果的过程。每增加一步推理，都需要处理器、内存、网络和配套数据中心设备。

Claude Code 可以搜索代码仓库、读取文件、编辑代码、运行测试、检查错误并修订工作成果。一项困难任务可能涉及数十甚至数百个这样的步骤。

并行子 Agent 会进一步增加这一数量。它们可以同时探索不同方案，在提升覆盖范围的同时也并行消耗算力。

Hausfather 的日志显示，可见输出仅占所有已处理 token 的约 0.4%。约 96% 是缓存读取。

缓存会保存此前处理过的模型上下文，使系统能够更高效地重复利用。读取缓存上下文的成本低于处理新输入，但仍然会消耗资源。

这一规模之所以重要，是因为 Agent 会反复回顾不断增长的工作历史。每一项工具结果、文件摘录、指令和先前决策，都可能继续成为后续模型调用的一部分。

这形成了一种复合模式：更长的会话会生成更多上下文，而后续步骤在产生下一项行动前，可能需要重新读取其中的大部分内容。

Hausfather 假设缓存 token 的能耗为新输入所需能耗的 10%。他还采用 1% 和 25% 分别计算了较低与较高情形。

这一宽泛区间说明，为何最终估算仍存在不确定性。定价可以为资源使用提供线索，但折扣后的 token 价格并不是直接的电力计量器。

Hausfather 测试了三种公开的估算方法，结果均落在更广泛的 70 至 330 千瓦时区间内。这种一致性支持了他的总体结论，但并未消除不确定性。

这一关键机制也出现在更广泛的排放研究中。一份 2026 年的核算框架估计，进行 5 至 50 次前沿模型调用的 Agent 工作流可能消耗 50 至 500 瓦时。

同一框架警告称，一次交互可能会将底层计算量低估一个数量级甚至更多。这一警告直接适用于通过简单聊天界面呈现的 Agent。

因此，上下文管理成为基础设施决策，而不只是可用性功能。团队可以通过限制无关上下文，并将检索导向每一步所需的信息，来减少不必要的处理。

维护良好的可搜索知识库可以帮助工程师检索聚焦材料，而不是反复加载庞大的文档集合。不过，实际节省程度取决于 Agent 的架构。

模型路由同样重要。系统可以将分类、提取和常规编辑交给更小的模型，同时将前沿模型保留给复杂推理任务。

这种做法无法消除 Agent 的能源成本，但能让计算量与每项操作的价值和难度相匹配。

高效 AI 遇上不断扩张的 Agent 工作流

核心矛盾在于，单次推理持续变得更便宜，而 Agent 产品为了完成每项任务却消耗了更多推理。

Google 的 0.24 瓦时数据有力表明，生产环境优化能够降低每次响应的能耗。该公司是在其完整服务堆栈中测量 Gemini 文本提示的中位数，而非测试单个独立加速器。

Google 还表示，一年内每条中位数提示的能耗下降了 33 倍。模型改进、软件优化、硬件升级和服务优化共同促成了这一降幅。

这一进展很重要。基于旧芯片或低利用率实验室系统的静态估算，可能会大幅高估现代生产服务所需的电力。

批处理使基础设施能够同时服务多个请求。缓存避免重复进行部分计算。更高的利用率则将闲置设备的能耗分摊到更多有用工作中。

专用处理器也能以每单位电力完成更多计算。Hausfather 引用了相关估计，显示自 2016 年以来，机器学习硬件效率已有显著提升。

然而，单次操作的效率提升并不自动降低总消耗。更廉价的计算可能促使开发者使用更多计算资源。

Agent 产品让这种反弹效应变得可见。一旦模型调用变得更快、成本更低，设计者就可以加入规划轮次、验证循环、工具使用和并行 Agent。

这些新增环节可以改善结果，但也可能在降低总体电力需求之前就消耗掉效率红利。

这是一种杰文斯效应：资源效率提升可能刺激足够多的新需求，从而抵消预期节省。AI 并不必然导致这一结果，但其当前激励机制倾向于使用更多计算。

模型提供商围绕任务完成率、编程性能和自主性展开竞争。用户通常关注 Agent 是否解决问题，而非它为此需要多少次隐藏调用。

Anthropic 自己的使用分析发现，在抽样的第一方 API 商业使用中，77% 遵循以自动化为导向的模式。其中，编程和办公任务尤为突出。

这项研究并未测量电力消耗，但它显示了 Agent 工作负载为何值得关注：企业 API 使用已经强调自动化执行，而非孤立的对话。

经济激励进一步强化了这一模式。Anthropic 报告称，其样本中的商业任务对价格敏感度较低。能力更强、成本更高的任务出现频率高于更便宜的任务。

如果编程 Agent 能节省数小时的熟练劳动，企业可能接受远高于聊天回答所需的推理量。此时，每条提示的电力消耗不如每个已解决问题的电力消耗有意义。

同样的逻辑也适用于科学分析。Hausfather 能耗最高的一天支持的是一项复杂的地理空间项目，而非轻松的日常对话。

因此，正确的比较并不总是 Agent 对聊天机器人。它也可能是 Agent 辅助工作流，与此前流程所需的计算机、出行、人工或延误之间的比较。

不过，这种更广泛的比较需要真实数据。生产力收益不能被简单假定，提供商也不应以潜在收益为由避免披露资源消耗。

效率与工作负载增长必须一并报告。如果总 token 处理量增长快于效率提升，即使单 token 能耗下降，电力需求仍可能上升。

这正是 Claude Code 能耗估算更像警示而非最终结论的原因。它揭示了：一个看似良好的效率叙事，可能轻易忽略模型层之上正在发生的扩张。

Claude Code 估算无法证明什么

600 倍的比较在方向上具有重要意义，但它并非对 Anthropic 用电量的直接测量。

Hausfather 获得了异常详尽的活动日志，其中记录了单次 API 响应的模型标识符、时间戳和 token 类别。

这些日志提供了可靠的计算活动记录，却无法揭示 Anthropic 服务器在每次请求期间实际使用了多少电力。

因此，该估算通过已公开的方法论将 token 换算为能耗。每种方法都需要对硬件、利用率、批处理、缓存处理和数据中心开销作出假设。

Anthropic 尚未公布可用于以第一方测量替代这些假设的单 token 或单提示词能耗数据。为这些会话提供服务的地点和电力来源同样尚未披露。

缓存处理带来了另一项重大不确定性。缓存 token 可避免重复进行部分计算，但具体节能幅度取决于服务系统。

Hausfather 的核心情境假设，缓存读取消耗的新输入能耗为 10%。若两者关系不同，总体估算将显著变化。

该样本也仅代表一个人在八周内的使用情况。Hausfather 在大型分析任务中使用了大量子代理，因此其活动与普通用户的编程会话相去甚远。

他的中位数会话涉及约 1,000 万个 token 和超过 100 次调用。其他已公开的 Claude Code 会话估算采用了更小的工作负载。

因此，声称每个 Claude Code 提示词都消耗 150 瓦时将具有误导性。更准确的结论是：某些高级代理式会话的能耗可达简单聊天提示词的数百倍。

与 Gemini 的比较也跨越了不同提供商和工作负载类型。Google 的数据涵盖 Gemini Apps 中位数文本提示词，而 Hausfather 的估算覆盖高强度 Claude Code 活动。

这一差异正是比较的重点，但也限制了该比率能够证明的内容。它并不能说明 Claude 天生比 Gemini 效率更低。

只有在两个系统上对可比任务进行受控测试，才能支持这一说法。理想情况下，提供商应使用一致的系统边界披露测量结果。

Watershed 框架说明了这些边界会如何深刻影响结果。该框架发现，孤立基准测试可能将生产推理用电量高估 4 至 20 倍，因为它们忽略了批处理和缓存。

相反的错误同样可能发生。若只报告活跃加速器功耗，可能遗漏主机服务器、闲置容量、冷却、网络和电力转换损耗。

企业应同时披露工作负载和基础设施信息。有用字段包括 token 数量、模型类别、加速器类型、数据中心开销、利用率假设和区域电力来源。

已完成任务的报告还将补充另一项关键维度。一个代理可能每次尝试消耗更多能量，但需要更少人工重试，或能完成更简单系统无法完成的工作。

成功率之所以重要，是因为失败的代理运行同样消耗电力。即使每次单独调用看起来高效，一个反复停滞的工作流也可能有很差的单位成果能耗表现。

企业采购方应询问供应商如何处理重试、上下文增长、工具故障和模型路由。这些设计决策同时影响运营成本和环境报告。

持审慎态度并不意味着应忽视 Hausfather 的估算，而是说，这一透明估算恰恰暴露出提供商仍隐瞒了多少关键信息。

压力从用户转向基础设施采购方

代理能耗问题的走向，将更多由采购、软件架构和电力供应决定，而非个人克制使用提示词。

Hausfather 将其八周工作负载年化后，得出约 1.1 兆瓦时的数据中心用电量，估算范围为 0.4 至 2.2 兆瓦时。

按美国平均电网排放计算，他估算每年约产生 370 千克二氧化碳当量排放，范围为 150 至 730 千克。

这对一名软件用户而言并非微不足道，但 Hausfather 并不认为个人愧疚是主要解决方案。重度代理用户目前仍只占总电力需求的有限部分。

更大的风险来自规模化部署。企业可以在编程、客服、金融、研究和行政工作中部署数千个持续运行的代理。

每个代理的需求或许并不高，但跨越众多部门的持续工作负载可能改变基础设施需求。

数据中心预测已显示出周边挑战的规模。Lawrence Berkeley National Laboratory 的 2025 年更新估计，到 2030 年，美国数据中心基准情境下的用电量将达 649 太瓦时。

这一基准情境相当于美国总用电量的 11.8%。报告的综合不确定性范围为 521 至 843 太瓦时。

该预测涵盖所有数据中心需求，而不仅是 AI 代理。不过，AI 服务器及其利用率仍是该模型中的核心不确定因素。

这给三类群体带来了压力。

云服务和模型提供商必须披露足够信息，以便客户比较系统。若缺乏一致报告，效率就会沦为营销表述，而非采购指标。

应用开发者必须判断，何时自主性值得进行重复模型调用。一个五代理工作流应面对比单次较小模型请求更高的价值门槛。

企业采购方必须衡量成果。他们需要的是完成一项任务所对应的成本、能耗、延迟和成功率，而不是平均提示词数据。

这些决策也会影响电网规划。大型数据中心需要发电、输电、变电站、冷却系统和能够应对峰值需求的可靠容量。

地点之所以重要，是因为同一工作负载在不同电力系统上可能产生不同排放。即使底层计算不变，低碳发电也能减少排放。

工作负载灵活性可以发挥作用。部分训练、评估和后台代理任务可转移至电力更清洁或约束更少的时段与地区。

交互式编程会话的灵活性较低，因为用户期待快速响应。不过，非紧急的子代理研究或测试可能允许调度安排。

更小的模型是另一项杠杆。常规分类、文件选择和语法检查并不总是需要可用的最大模型。

开发者还可限制迭代次数、压缩上下文、复用已验证结果，并更早终止失败工作流。这些控制措施可在提升可预测性的同时降低成本。

最佳架构并不总是使用最少电力的架构。它应使用能够可靠完成高价值任务的最少计算量。

这一标准将环境表现与工程纪律联系起来。浪费性的重试、过大的上下文和不必要的前沿模型调用，通常也是财务问题。

三项信号将表明代理式 AI 能否负责任地扩展

AI 能耗争论的下一阶段，取决于提供商披露、任务级效率，以及为新数据中心建设的电力供应。

第一项信号是 Anthropic 和其他模型提供商进行直接能耗报告。Token 日志无法回答那些需要访问生产硬件和服务数据的问题。

有价值的披露应区分简单聊天、推理、编程和多代理工作流，并涵盖完整基础设施，而非单一处理器。

如果提供商公布可比较的任务级测量结果，代理能耗估算的可信度将提高。持续沉默将加剧人们对客户无法评估所部署系统的担忧。

第二项信号是，每项已完成任务的能耗是否下降，而不仅是单 token 能耗。更好的芯片和服务软件将持续降低单项操作的成本。

代理仍可能通过更长上下文和更多调用消耗这些收益。供应商应在总推理量、重试次数和延迟之外报告任务成功率。

任务级指标下降将表明效率提升正快于工作流扩张。若类似结果的能耗上升，则意味着增加的自主性正在吞噬节省下来的资源。

第三项信号是新增数据中心容量所接入的电力类型。若不了解发电来源，效率无法决定排放水平。

Hausfather 估算，若让相同工作负载运行在以清洁电力为主的供应体系上，其排放量可降低约 90%。具体降幅因地点和采购方式而异。

新增可再生能源发电、储能、核能、地热资源和输电设施，可降低新增需求的碳强度。专用化石燃料发电则会将系统推向相反方向。

这些信号比争论一条 AI 提示词是否相当于数秒电视观看更重要。那种比较描述的是代理正迅速超越的狭窄交互。

更好的问题是，一个代理所完成的工作是否值得其全部计算成本。回答这一问题需要透明日志、提供商测量和诚实的成果追踪。

开发者现在就可以审计调用次数、上下文增长、重试情况和模型选择。企业采购方则可在采购过程中要求提供任务级资源数据，而非接受单一平均值。

Claude Code 能耗估算并未解决代理是否创造了足够价值的问题。它确认了，代理真正的消耗单位是工作流。

随着代理承担更长的任务，用户应在按下 Enter 后追问：有多少模型在运行，它们多久会重新读取一次上下文，以及哪些电力来源在维持这一过程？