安全智能体在找漏洞这件事上，烧钱的地方和大多数人想的不一样。一项针对4个智能体、200次运行的统计显示，60.4%的token花在了理解代码、推理如何触发漏洞上，而不是真正生成能打崩程序的输入。换句话说，成本削减该瞄准的是这一段，不是别处。

打开网易新闻 查看精彩图片

问题在于，现有的省钱办法基本不管用。与普通智能体做的一对一对比中，只有24.4%的对比在降低成本的同时保住了成功率。省钱和省效果，大多数时候只能二选一。

于是研究团队做了AVRI。这个工具做两件事：把相关的代码一起返回，以及保存程序输入与不安全操作之间的关联。前者减少智能体反复翻代码的开销，后者让它不必每次从头推理触发路径。

效果落在数字上。在20个新任务上，AVRI让Codex的总成本降低18.0%，OpenCode降低23.7%，成功率与召回率都没有下降。

这里有一组值得对照的账：智能体找安全漏洞，可能在没产出任何能让程序崩溃的输入之前，就已经消耗掉数百万token。钱花出去了，漏洞没找到，这是安全智能体成本结构里最尴尬的部分。

正方会说，通用省钱技巧——压缩上下文、裁剪历史、限制轮次——是标准做法，先上再说。反方会指出，24.4%这个数字已经说明问题：这些技巧在安全场景里大多失效，因为它们砍掉的往往正是理解代码所需的那部分信息，而理解代码恰恰占了六成开销。

我的判断偏向后者。AVRI的思路不是少给智能体信息，而是让它复用已经学到的代码理解结果——相关代码一起返回、输入与不安全操作的关联被保存下来，下一次不必重新推理。这是把开销从"重复理解"挪到"复用理解"，而不是简单粗暴地砍预算。

落到操作层面，结论很直接：在给安全智能体加通用省钱技巧之前，先测清楚它的token到底花在哪，再让它复用对代码已经学到的东西。方向错了，省下来的钱会以成功率的形式还回去。