阿姆斯特丹的代币经济学：深入首个Tokenomicon

# 阿姆斯特丹的Token经济学：首场Tokenomicon大会深度探访 来源：https://quesma.com/blog/inside-the-first-tokenomicon-amsterdam/ 2026年成为AI预算快速消耗的元年——对许多人而言，消耗速度远超预期。Token支出演变为独立的成本类别，Token经济学也随之成为一门专业学科。八月份，Linux基金会成立了Token经济学基金会。七周后的9月22日至23日，我们前往阿姆斯特丹参加其首届活动：Tokenomicon + FinOps X大会(https://www.tokenomicon.com/amsterdam/)。 本次会议汇集了500多位FinOps与Token经济学领域的实践者——这群人专门管理技术支出。多数演讲聚焦于AI计费与服务商问题。尽管智能体编程是许多工程团队增长最快且最缺乏理解的成本项，其关注度却相对较低。计费仪表板可以展示支出金额与时间，但各组织仍在努力证明已消耗Token的价值所在。 以下是我们最感兴趣的演讲与项目，以及基金会的工作动态，外加会场外阿姆斯特丹的点滴见闻。 阿姆斯特丹Muziekgebouw音乐厅内Tokenomicon + FinOps X大会主会场。三位Quesma参会者在大会标识前合影。 大会主会场与Quesma团队在阿姆斯特丹Muziekgebouw音乐厅。 ## Token经济学基金会的建设蓝图 https://quesma.com/blog/inside-the-first-tokenomicon-amsterdam/#what-the-tokenomics-foundation-is-building Token经济学基金会发布了Big-T标记法与Token经济学思维导图，并在阿姆斯特丹进行了展示。Big-T标记法(https://www.tokeneconomics.com/projects/big-t-notation/)描述了Token消耗如何随工作流复杂度增加而增长。重复的上下文、额外的模型调用以及智能体间的相互调用都会提升单次任务的成本。如同Big-O标记法有助于估算计算复杂度，Big-T让团队在设计工作流时能考量扩展性规律。 Token经济学思维导图(https://www.tokenomicon.com/amsterdam/agenda/tokenomics-mind-map/)整理了AI供应链三大支柱的核心术语：生产、消耗与价值。它为工程师与财务团队提供了讨论AI成本与成效的共同词汇表。 Quesma通过基金会在消耗与AI价值领域的工作组参与了这两个项目的建设。 ### FOCUS与AI账单通用格式 https://quesma.com/blog/inside-the-first-tokenomicon-amsterdam/#focus-and-a-common-format-for-ai-bills FOCUS(https://focus.finops.org/)已能以通用单位记录Token使用量与成本，AWS、Azure和Google Cloud均提供该格式的账单导出。计划于今年晚些时候推出的FOCUS 1.5版本旨在更全面地支持AI支出(https://www.tokeneconomics.com/projects/what-1-5-does-for-ai-cost-and-what-it-does-not/)，新增功能包括： - 模型ID与家族标识 - 输入Token、输出Token与缓存Token的区分 - 主体标识符(PrincipalId)用于追踪开发者、团队或智能体的使用情况 我们期望Anthropic、OpenAI和Cursor的编程智能体也能采用相同方案，使团队无需转换发票即可对比各智能体成本。 除计费外，智能体编程会话记录也需要通用格式：运行模型、工作量强度、智能体操作内容及资源消耗。将这些记录与计费数据关联，将帮助团队理解费用背后的实质性工作。 ### 缓存机制的正确实现 https://quesma.com/blog/inside-the-first-tokenomicon-amsterdam/#getting-caching-right Token经济学基金会发布了提示词缓存说明(https://www.tokeneconomics.com/cache-explainer/)，展示提示词结构如何影响缓存效果。调整请求各部分的顺序可观察输入成本变化。最优顺序是将固定工具描述、指令和上下文（包括检索信息与累积会话历史）置于前面，可变内容置于末尾。这种结构使缓存能避免重复计算相同Token。 ## 值得重温的演讲 https://quesma.com/blog/inside-the-first-tokenomicon-amsterdam/#talks-we-will-return-to ### PointFive与完成任务的实际成本 https://quesma.com/blog/inside-the-first-tokenomicon-amsterdam/#pointfive-and-the-cost-of-a-completed-task PointFive的Alon Arvatz展示了提示词压缩测试：更少的输入反而引发更多推理步骤，导致总成本上升。这与我们的RTK研究(https://quesma.com/blog/does-rtk-make-ai-coding-cheaper/)结论一致：减少输入量可能被智能体额外轮次抵消。真正有价值的度量标准应是完成任务（包括失败尝试）的总成本。 他还演示了如何将Token使用量关联到具体工程单元，形成简洁链条：编程智能体→编程环境→工单系统。无论工程师使用何种智能体，其会话成本都会与项目分支或机器上的Pull Request绑定，进而关联到已关闭的工单。该工单便成为支出对应的工作单元。 ### UNICC与订阅背后的实际使用量 https://quesma.com/blog/inside-the-first-tokenomicon-amsterdam/#unicc-and-the-usage-behind-a-subscription UNICC(https://www.unicc.org/artificial-intelligence/)的演讲提出了预测难题：订阅账单仅显示许可证价格，背后的实际使用情况却无从得知。在将相关工作转为API计费前，团队需要掌握使用模型类型及各会话消耗的输入、输出与缓存上下文量。 我们的实践建议是：将实际订阅使用量与API等效成本估算并列。按模型与Token类别重新计价记录的使用量，再与订阅费用对比。这样更容易评估切换服务商的潜在成本。当订阅计划未提供足够使用细节时，估算需明确指出该信息缺口。 ### Infracost与特定工作负载优化 https://quesma.com/blog/inside-the-first-tokenomicon-amsterdam/#infracost-and-optimization-for-a-specific-workload Alistair Scott的演讲《Token用量翻倍，账单保持不变》介绍了Infracost内部的AI成本削减智能体。他们的仪表板通过OpenTelemetry采集的使用数据对比服务商账单。 其自建AI网关为优化措施提供统一实施平台。为测试效果变化，他们结合PromptFoo、Langfuse与针对智能体的自定义测试工具。 Infracost工具链展示：Token经济学仪表板、AI网关与评估框架。图中所示为Infracost工具链，来自Alistair Scott演讲现场。 ## Token经济学发展现状 https://quesma.com/blog/inside-the-first-tokenomicon-amsterdam/#the-state-of-tokenomics 在闭幕主旨演讲中，JR Storment分享了基金会《2026年9月Token经济学发展报告》(https://www.tokeneconomics.com/state-of-tokenomics/)的洞察。基于11个行业472份反馈，我们获得了总营收4.6万亿美元企业群体的AI使用概览。证明价值或ROI是最常被提及的挑战，占比43%。支出可视性与归因分析紧随其后，占27%。仅7%受访者提及成本或定价复杂性。显然，更艰巨的任务是阐明Token的实际用途与实际使用者。 柱状图显示价值证明/ROI占43%、支出可视性与归因占27%、度量与数据质量占18%及其他报告挑战。2026年9月Token经济学调查报告的主要挑战。来源：Token经济学基金会(https://www.tokeneconomics.com/state-of-tokenomics/)。 三分之一受访者表示CTO、CIO或技术部门主导AI经济管理。四分之一组织实行跨部门共管，12%则没有明确责任方。不足为奇的是，权责清晰的组织将AI支出与可衡量成果挂钩的可能性高出近四倍。 Token经济学基金会图表展示AI经济管理权分布：技术部门35%、跨部门共管26%、未定义12%、高管9%、AI领导者6%、财务部门5%、其他7%。调查组织中AI经济管理权归属情况。来源：Token经济学基金会(https://www.tokeneconomics.com/state-of-tokenomics/)。 ## 会场外的阿姆斯特丹 https://quesma.com/blog/inside-the-first-tokenomicon-amsterdam/#amsterdam-outside-the-venue 阿姆斯特丹最令人难忘的部分在会议结束之后。Małgorzata特别钟情于绅士运河(Herengracht)，称其运河屋是她见过最美的公寓。夜晚降临，高窗透出灯光倒映在运河中，整条街道熠熠生辉。 在《荷兰之窗》(https://www.researchgate.net/profile/Irene-Cieraad/publication/326462092_Dutch_Windows_Female_Virtue_and_Female_Vice/)一书中，人类学家Irene Cieraad将开放式窗帘部分归因于战后住房与开放理念。在照明良好的街道上，大窗户让居民既能观察外部生活，又能保持自身可见性。 当然，自行车确实无处不在。 阿姆斯特丹狭窄的运河屋亮起灯光，运河上停泊着船屋，前景中摆放着自行车。运河屋夜景，窗户渐次亮起灯光。 ## 未来展望 https://quesma.com/blog/inside-the-first-tokenomicon-amsterdam/#whats-next 我们来到阿姆斯特丹是为探寻Quesma的发展定位，最终带着明确方向离开：智能体编程会话是AI成本中最缺乏理解的领域。 这个问题我们通过构建评测基准(https://quesma.com/benchmarks/)有着深刻体会。CompileBench、OTelBench与BinaryAudit旨在评估编程智能体能否完成实际工程任务，如修复构建问题、添加OpenTelemetry插桩或检测二进制后门。每次运行都会记录所有尝试（包括失败）的成本。两个智能体可能以截然不同的价格达成相似结果，其差异根源往往藏在会话细节中。 我们同时致力于智能体AI的度量研究。Quesma Shipper(https://github.com/QuesmaOrg/quesma-shipper)是我们针对Claude Code、Codex与Cursor编程智能体会话的开源采集工具。 我们希望将经验贡献给Token经济学基金会。已确认参与Token经济学图景项目，将继续在消耗与AI价值工作组开展工作，并计划为未来版本的FOCUS标准贡献力量。 如果您想了解编程智能体的实际操作、成本构成及团队收益——请联系我们(https://quesma.com/contact/)！