Claude Code创始人3个月消耗80亿Token，账单曝光
ClaudeCode创始人BorisCherny三个月内消耗80亿Token，产出1700个PR及净增15万行AI生成代码。按Fable模型估算，花费约155万元人民币。相比低价模型，高端模型虽单价更高，但能一次性解决复杂问题、减少返工，总账单未必更贵。
各位同行，最近有个数据挺有意思。Claude Code 的创始人 Boris Cherny 在一次访谈里透露，从今年 3 月到现在，他个人在 Claude Code 上消耗了 80 亿 Token。
80 亿是什么概念？这么说吧，一个重度 Claude Code 用户一个月也就几千万到一亿 Token 的用量。Boris 这个量级，相当于满负荷运行了 8 到 10 个月——而且用的是自家最贵的模型档位（目前全线 Fable，Opus 4.5 发布前是 Opus 档）。
大家最关心的当然不是“他用得多”，而是“这到底花了多少钱”。
先对齐他干了什么
80 亿 Token 对应的产出非常具体：
- 1700 个 PR，集中在不到一年的时间里，平均每天大约 8 个，峰值一天能到 150 个。
- +40 万行代码 / -25 万行代码，净增 15 万行，而且这 15 万行是100% 由 AI 生成的。
- Opus 4.5 发布后，他干脆把电脑上的 IDE 卸载了，主力机换成了手机，靠语音来写 prompt。
- 日常保持 5 到 10 个会话并发，数百个 agent 常驻运行，每晚后台还要跑几千个 deeper task。
作为对比，Anthropic 内部也有一个数据：今年年初以来，每位工程师的代码产出提升了 8 倍，而 Claude Code 贡献了 GitHub 上公开提交的 4%。
80 亿 Token 的账单，算给你看
Boris 现在全线使用的是 Fable 模型。Anthropic 没有公布 Fable 的明确标价，但按照 Opus 4.5（输入 5 美元 / 输出 25 美元每百万 Token）上浮一档来估算，输入按 7 到 8 美元、输出按 30 到 35 美元每百万 Token 比较合理。在 coding 场景下，典型的输入输出配比大约是 3:7（上下文喂得多，思考链也长），所以 80 亿 Token 可以拆解为输入 24 亿 + 输出 56 亿：
| 口径 | 80 亿花销 |
|---|---|
| Fable 目录价（估） | ≈ $21.6 万 ≈ 155 万 / 大半年 |
| Opus 4.5 目录价 | $15.2 万 ≈ 109 万 |
| Sonnet 4.5 含缓存实付（外部客户落单） | ≈ 35-46 万 |
| Boris 内部价 | 他自己原话：“每消耗一个 Token 就少卖给客户一个”——这是按机会成本算的，比目录价低，但比实际成本高 |
按月分摊的话，即便是 Boris 的内部价，这 80 亿摊到大半年，每个月也是五位数美元起步。如果外部客户硬要烧 Fable 或 Opus 档，80 亿的预算得准备 50 到 150 万。
换别的模型烧同样的 80 亿，能省多少
横向对比一下（同样按照 3:7 的输入输出配比，汇率按 1 美元 ≈ 7.2 软妹币）：
| 模型 | 80 亿花销 |
|---|---|
| Claude Opus 4.5（目录） | 109 万 |
| Codex o3 | 178 万（比 Claude 还贵） |
| Codex o4-mini | 20 万 |
| DeepSeek-V3.1 | 7.7 万 |
| GLM-4.6 | 5 万 |
| Qwen3-Plus | 2.9 万 |
那他为啥不换便宜的？
这才是这笔账最值得琢磨的地方。
单价差 10 倍，但 Boris 敢全线押注 Fable，绝不是“人傻钱多”。他自己说了：“我已经穷尽所有能给它的难题，基本都能一次性解决。” 这 80 亿里，相当大一部分其实是测试时计算（test-time compute） 的消耗：一条 prompt 能拉出几百个 sub-agent 并行工作，在虚拟环境里跑上几小时，消耗几百万 Token，最后产出 4 个 PR，同时把 CI 时间砍掉一半。这种活儿，换成 DeepSeek 或 GLM 未必能扛得住——不是 Token 不够，而是模型能力一旦掉一个档次，“一次性解决”就变成了“来回修 5 轮”，最终消耗的总 Token 数可能反而更高。
换句话说：省模型单价 ≠ 省总账单，特别是在 coding 场景里。Boris 这 80 亿里“贵得值”的部分，正是 Fable 帮他避免了大量的返工，以及那些架构级别的重构——那 25 万行被删除的代码，基本就是 AI 自己扫出来的工业残骸。
当然，还有一层因素：他是 Claude Code 的创始人，烧自家的 Token 既是工作流程，也是产品狗粮。“每消耗一个 Token 就少卖给客户一个”这句话听着有点凡尔赛，但核心意思是，他内部的计价方式也不是纯免费的，而是按机会成本来算的。真要他换成 DeepSeek 跑这 80 亿，省下来的那一百多万软妹币，对他这个产出量级来说，可能并不划算。
几个读完会觉得“哦”的点
手机写码这件事，比烧钱有意思多了
Boris 卸掉 IDE，不是说 Opus 强到不需要 IDE，而是说明“编程已经从手写逻辑进化到了表达意图”——用手机能输入 intent 就足够了。这才是 80 亿 Token 背后真正的工作流变化，比账单数字更值得品味。
Loop > Agent
他的能力抽象轨迹很有意思：从手写源码（基础指令）到 Agent（功能函数），再到 Loops（高阶函数，Agent 提示 Agent） 。每晚几千个 agent 在后台像“不受薪的超级员工”一样扫代码库、统一冗余抽象。这才是下一阶段的玩法，不是单纯“换个便宜模型”就能解决的问题。
“给会计也发 Token”
Boris 的另一个观点：给全公司——PM、设计师、甚至会计——都发 Token。他自己用 Co-work 搞了一个全自动差旅系统：AI 读取邮件 → 扫描日历发现异地行程 → 自主打开浏览器订机票酒店，全程零人工干预。非技术岗位的 Token 回报率，可能比工程师还高，因为他们的产出基线更低，自动化的杠杆效应更大。
Auto Mode 反直觉：AI 监督 AI 反而比人更安全
人类有“提示疲劳”，容易产生盲点，导致“允许”不安全操作。Anthropic 推出的 Auto Mode，让模型按照安全策略自主决策，在抗提示注入方面达到了 99% 的可靠性。这一点和账单本身无关，但它解释了“烧 80 亿 Token 的人，为什么敢让 agent 每晚跑几千个任务”这一事实。
80 亿 Token 这笔账算下来，结论其实很直白：Boris 烧得起 Claude 档，是因为这 80 亿买的不只是 Token，而是“一次性解决”的能力 + 返工规避 + 产品狗粮。换成 DeepSeek 或 GLM，单价可能只有十分之一，但那些架构级别的活儿未必扛得住，来回修几轮，总账未必能赢。
对大多数团队来说，80 亿这个量级几乎碰不到。但 Boris 这笔账带来的启示是：模型档位要分层使用，而不是所有任务都烧最贵的档。主 agent（负责架构决策、复杂重构）可以上 Claude Opus 或 Fable，而 sub-agent（负责单测、lint、文档）则可以切到 DeepSeek-V3.1 或 GLM-4.6。同样烧 80 亿，预算可以压到 15 到 25 万区间。Boris 的内部价估计也就在这个量级，只不过他没必要去省这个钱。
毕竟，自家产品，总得自己先烧个明白。