编码工具实测：同模型也有不同令牌开销

同一个 Claude Opus 5.5，放进不同的编程 CLI，消耗的 token 能差多少？作者做了 44 次运行：在同一项小游戏任务中，Antigravity CLI 报告的输入 token 比 Claude Code 少 68% 至 88%，完成时间也短了 27%。

这组测试值得看的地方，是它把「模型能力」和「工具包装」拆开了一点：系统指令、工具定义、缓存统计，都可能影响你看到的消耗。但样本只有一台机器、一天、一道题，省 token 也不能直接等同于代码更好。

同一个模型，为什么还要比较不同 CLI

作者在 Windows 11 上，于 2026-10-22 依次运行测试，每次使用独立的空文件夹。四种配置分别是：

• Claude Code 2.1.295，搭配 Opus 5.5，使用 Max plan。
• Codex CLI 0.162，搭配 gpt-6-luna，使用 ChatGPT plan。
• Antigravity CLI 1.4.5，分别搭配 Gemini 4 Argon 和 Claude Opus 5.5，使用个人 Google 账号。

其中最有解释力的是两组 Opus 5.5：模型名称相同，外围工具不同，更容易观察 CLI 自身带来的差异。Codex 和 Gemini 的结果可以作为参照，但同时更换了模型，不能把差距全部归因于工具。

测试分两部分。启动测试只要求回复「OK」，分别挂载 0、1、10、30 个模拟 MCP 工具，每种配置跑 2 次。开发测试要求在一个 index.html 中实现打砖块游戏，包含 2 个关卡、计分和 3 条命，推理强度设为 medium，每种配置跑 3 次。

这些任务合计 44 次运行，token 数据全部取自各 CLI 的 JSON 输出。

少了 68% 至 88%，究竟省在哪里

同样使用 Opus 5.5，Antigravity 的输入 token 少了 68% 至 88%，输出 token 少了 40%，完成时间短了 27%。Claude Code 生成的游戏更长，代码行数对比为 451 行和 236 行。

输入差距为什么是区间？因为 Antigravity 分别报告 input_tokens 和 cache_read_tokens，文档没有解释两者是否重叠。在 Opus 测试中，缓存读取为 15,381，输入为 9,822，前者比后者还大，无法解释为后者的子集。

作者于是保留两种口径：只算报告的输入，少 88%；把输入与缓存读取相加，少 68%。

这个区间首先反映统计口径的不确定性，不能当成多次实验的波动范围。

作者认为，启动时的大量 token 来自工具自己的指令和工具定义，这些内容会随请求再次发送。不过，原文没有给出完整的启动结果表，也没有逐项拆解输入来源，因此还不能精确判断到底是哪部分贡献最大。

MCP 的结果也有意思：Antigravity 加入第 1 个工具就增加约 280 至 460 token，之后再加 29 个，增量却很小。作者据此推测，四种配置现在似乎都会在实际使用时才加载工具的完整定义。这里是根据现象推断加载机制，并非已经验证内部实现。

游戏都能玩，为什么还不能直接宣布胜负

作者检查了全部 12 个游戏：打碎砖块后分数增加，可以进入第 2 关，生命值也能按 3、2、1、0 递减。自动检查没能读出其中两个 Codex 游戏的分数，作者随后手动确认，两者都能计分。

这说明四种配置都完成了这道题的基本功能，但没有证明它们在代码维护性、交互体验或复杂需求上水平相同。代码更短不自动代表更好，代码更长也不自动代表更完整。

价格同样需要分开看。Claude Code 按 API 价格为每次运行估算了 $0.37；Antigravity 和 Codex 在订阅模式下没有显示价格。这里不能据此计算真实账单节省，更不能把「没有显示价格」理解成零成本。

作者还明确承认，无法看到 Antigravity 在 claude-opus-5-5-medium 这个名称背后如何配置 Opus 5.5。即使模型名称一致，隐藏配置是否完全相同，仍然没有答案。

我的判断

我认同这次测试提出的问题：挑选 AI 编程工具时，外围 CLI 的开销值得单独测量。 同一个任务，系统提示、工具加载和上下文组织都可能影响输入量与等待时间。

但「编程工具和模型同样重要」是作者的判断，这组实验不足以量化两者各占多少。它没有覆盖真实仓库中的多轮修改，也没有提供更多任务、机器和日期的重复验证。68% 至 88% 应当保留为这次实验的结果，不能推广成日常开发的固定收益。

相较于只看 token 数，我更看重功能验收、完成时间和人工返工量一起比较。作者做了游戏功能检查，这是有价值的一步；对于一般团队，后续还需要拿自己的任务补测。

原文另称，Google 于 2026 年 6 月 18 日停止向个人账号提供 Gemini CLI，并将用户转向 Antigravity CLI（agy）。这是作者提供的迁移信息，本文没有独立核实，不能仅凭这次跑分决定迁移。

能拿来做什么

• 比较日常 AI 编程 CLI 时，先固定模型和任务，再比较工具；把 Codex 的 gpt-6-luna 与 Opus 5.5 混在一起，只能比较整套方案。
• 做前端生成任务的小型评测时，可以沿用单文件游戏的方法，提前写好计分、关卡和生命值验收条件，并对自动检查失败的项目人工复核。
• 记录消耗时，分别保存输入、输出和缓存读取字段，同时记录完成时间；字段含义没确认前，保留多种统计口径。
• 准备精简 MCP 配置时，先测试工具数量对启动输入的实际影响，再决定是否删减。按需加载存在时，工具数量未必与 token 消耗线性增长。