如果说2024年中国大模型行业的关键词是“卷参数”，那么近日的关键词已经变成了“卷成本”。在Agent（智能体）成为各家产品主线之后，一个现实问题浮出水面：智能体需要反复调用模型、拆解任务、校验结果，token消耗量是普通对话的数倍甚至数十倍。谁能让调用更便宜，谁就能让Agent真正跑起来。
DeepSeek是这一轮成本革命里绕不开的名字。凭借开源策略和高效的模型架构，DeepSeek把高质量推理的价格压到了行业低位，其开源权重更是让企业可以把模型部署在自己的服务器上，从根源上控制成本与数据边界。对做智能体的团队来说，这意味着一次任务链里几十次模型调用的开销变得可以承受。开发者社区里，基于DeepSeek构建的多步骤工作流工具明显增多，覆盖文档处理、数据清洗、代码辅助等场景。
开源带来的另一层价值是可控性。金融、政务、医疗等行业对数据出境和外部调用极其敏感，闭源API往往难以满足合规要求。DeepSeek的开源模型让这些机构可以在内网部署智能体，把知识库、业务系统与模型放在同一环境里。近期不少行业解决方案商开始把“支持私有化部署的Agent平台”作为卖点，底层模型多数指向开源路线。
不过，低价并不等于低质，这恰恰是当前竞争最激烈的地方。智谱清言在保持GLM系列开源的同时，持续优化函数调用和长任务链的稳定性，强调智能体在真实业务中的完成率。月之暗面的Kimi则用长上下文能力降低“反复喂资料”的成本——一次读完整份文档，比多次切片检索更省调用、也更少出错。字节跳动的豆包依托规模化基础设施，在保证响应速度的前提下提供有竞争力的价格，并把Agent能力打包进办公与创作工具中，用生态摊薄单个任务的成本。
阿里通义千问的策略是把模型能力与云服务绑定。企业调用千问构建智能体时，可以同时使用云上的数据库、函数计算和存储服务，形成一体化的成本结构。对B端客户而言，算账不能只看每百万token的价格，还要看工程人力、运维和集成成本。从这个角度看，谁能提供更完整的工具链，谁的实际总成本就更低。
成本下降正在改变Agent的产品形态。过去，智能体大多停留在“演示级”，因为每一步都烧钱，产品设计不得不克制。现在，随着调用成本走低，更多团队敢于做“多轮自我检查”“并行多方案对比”“长流程自动执行”这类高消耗但高价值的特性。客服工单处理、市场调研报告生成、代码审查与测试、电商商品信息整理等场景，开始出现可用的智能体产品，而不是停留在概念阶段。
当然，成本账不能只算token。智能体出错后的返工成本、人工审核成本、以及错误决策带来的业务风险，往往比调用费高得多。因此，近期各家在产品上的共同动作是强化“可观测性”——让用户能看到智能体每一步在做什么、调用了什么工具、依据是什么。智谱清言和豆包都在产品里强化了执行过程的展示，通义则在开发者侧提供更细的调用日志。这些设计的目的，是让企业敢于把任务交给智能体。
从行业格局看，开源与低价正在重塑竞争壁垒。单纯靠模型跑分已经很难形成护城河，真正的差异化来自场景理解、工具生态和工程可靠性。DeepSeek用开源打开局面，智谱用平台留住开发者，Kimi用长上下文切入高价值研究场景，豆包用生态扩大触达，通义用云服务绑定企业客户——五条路径各有侧重，但都指向同一个结论：Agent的规模化落地，前提是把成本降到企业算得过账的水平。
接下来值得关注的，是低价能否持续，以及伴随低价而来的服务质量能否守住。当智能体从“能用”走向“常用”，成本与可靠性之间的平衡，将决定谁能笑到最后。
标签：开源模型,DeepSeek,AI成本,Agent,智谱,通义千问