文章讨论了企业在AI和token使用上的投资回报问题。作者指出，消费者愿意为消遣或痛苦体验花钱，但企业领导者不会无意义地烧钱。文章质疑了当前AI领域过度追求token消耗的“tokenmaxxing”现象，认为企业需要看到实际回报，而非盲目投入。

好的，这是根据您的要求，对原文主要内容进行的中文重述，保留了核心细节，并删减了与主题无关的评论和轶事。

标题：Agentics / 科技那些事儿：Token最大化已死，Token最大化万岁

核心观点： 企业界对AI工具的投入正经历一场从“强制消耗”到“价值驱动”的转变。最初，高管们为了推动员工使用AI，采取了“Token最大化”的粗暴政策，即鼓励无意义地消耗Token以提升使用量。如今，这种政策因成本上升和激励消失而终结。然而，随着AI模型能力的提升，出现了“复合正确性”现象——投入更多Token能带来更好的结果。这催生了新的、更强大的Token消耗动机，即通过让AI代理持续运行（如“循环”模式）来完成复杂任务，从而让“Token最大化”以更高效、更有价值的形式回归。

文章主要内容：

1. “Token最大化”的起源与终结：

   • 企业高管（如Meta）曾将员工使用AI的Token数量与绩效挂钩，导致员工为完成任务而让AI代理进行无意义的对话，纯粹为了消耗Token。这被称为“Token最大化”。
   • 这种政策看似愚蠢，但实际上是高管们为了打破员工对AI工具的抵触情绪而采取的“蛮力”手段。其目的是让所有人至少开始使用AI。
   • 如今，随着OpenAI和Anthropic等公司提高API价格并限制订阅额度，企业开始取消无限制的Token补贴政策。因此，这种由外部激励驱动的“Token最大化”模式已经消亡。

2. “Token最大化”的新生：

   • 从“复合错误”到“复合正确性”： 过去，AI代理长时间运行会因模型的小错误（如幻觉）而累积成“复合错误”，导致结果变差。因此，投入更多Token反而有害。现在，情况已变，投入更多Token通常能带来更好的结果，即“复合正确性”。
   • “循环”模式： 基于“复合正确性”，开发者可以创建“循环”，让AI代理在完成任务后自动重启相同指令，无需人工监督，持续运行以解决复杂问题。这本质上就是一种新的、高效的Token消耗方式。
   • 网络安全领域的应用： 文章引用了一个例子，指出在网络安全领域，为了加固系统，防御方需要投入比攻击方更多的Token来发现漏洞。这形成了一种“工作量证明”式的安全经济，成功与否取决于谁投入的Token更多。

3. 两种不同类型的“Token最大化”：

   • 面向开发者的： 让开发者使用Claude Code等工具，通过“循环”等方式消耗大量Token，以提升工程师自身的生产力。这是有价值的投入。
   • 面向管道的： 开发者手动编写代码，创建一次性、非确定性的AI代理来完成特定任务（如数据标注）。这些代理本身消耗大量Token，但往往因准确性差而效果不佳，导致成本浪费。文章认为，这类任务更适合由通用型AI平台来完成。

4. 未来趋势：

   • “软件工厂”或“黑暗工厂”： 最终形态是代码库能自动完成编码、审查、测试等所有工作，无需人工干预。有人甚至提出工程师每天应消耗1000美元的Token，这虽夸张，但反映了未来对Token的巨大潜在需求。
   • 开源模型的优势： 随着开源模型（如GLM 5.2）性能提升且成本远低于前沿模型（如Claude Opus），企业将更倾向于使用开源模型进行“循环”操作，以更低的成本获得更好的效果。这将是开源平台的一大胜利。

结论： 由外部激励驱动的旧式“Token最大化”已死，但由“复合正确性”和“循环”模式驱动的新式、高效的“Token最大化”即将到来。

根据评论内容，总结如下：

主要观点与论据：

1. Tokenmaxxing 是过渡策略（评论1，评分None）：作者aurareturn认为，Tokenmaxxing 是管理层强制员工快速采用AI的临时手段，旨在推动员工学习AI能力，最终会达到平衡。关键引用："Tokenmaxxing was just a way to force employees to start leveraging AI in a meaningful way." 和 "No one is stupid enough to always measure performance based on token spend and have unlimited budget."

2. Tokenmaxxing 是浪费资源（评论4，评分None）：作者j45指出，Tokenmaxxing 如同“醉酒水手花钱”，长期不可持续，效率才是关键。关键引用："Tokenmaxxing is lighting money on fire." 和 "Scaling is almost always about a large component of efficiency."

3. Tokenmaxxing 并非普遍现象（评论3，评分None）：作者behnamoh认为，Tokenmaxxing 从未真正流行，只是少数公司的行为。关键引用："Tokenmaxxing was never a thing to begin with. Just because a few companies did it doesn't mean it was a widespread phenomenon."

4. Tokenmaxxing 存在根本问题（评论5，评分None）：作者fraywing担忧，通过增加token数量强行获得结果，无法解决理解与责任问题，可能导致软件质量下降。关键引用："Brute forcing positive outcomes by spending more tokens... does not solve the underlying comprehension (and liability) problem."

5. 技术热潮的周期性（评论6，评分None）：作者gausswho将Tokenmaxxing 与元宇宙、区块链等热潮类比，认为这是媒体操纵和股东压力的结果。关键引用："Why do such fever dreams occur at all? Are they getting more prevalent? More damaging?"

6. Tokenmaxxing 在某些领域有效（评论14，评分None）：作者et1337认为，Tokenmaxxing 在发现安全漏洞方面绝对有效，类似复杂的持续模糊测试。关键引用："Tokenmaxxing is absolutely effective for that. We as an industry are in the middle of adopting very expensive, complex continuous fuzzers."

平衡性总结： - 支持方：认为Tokenmaxxing 是推动AI采用的必要过渡（评论1），或在特定领域（如安全）有效（评论14）。 - 反对方：批评其浪费资源（评论4）、非普遍现象（评论3）、存在根本问题（评论5），并视为技术热潮的周期性表现（评论6）。

整体趋势：多数评论对Tokenmaxxing 持负面或谨慎态度，强调其不可持续性和潜在风险，但承认其在特定情境下的短期价值。