实测对比：Claude 单 token 更贵，但每次回答成本仅 Gemini 一半

背景设定 Claude 在 AI agent 场景下比 Gemini 更好吗？结果如下 差距从何而来：准确率、速度、成本 注意事项 我们在生产环境中要做的调整 我们在生产环境中为客户运行一个数据分析 agent。它回答诸如“哪些交易卡在第三阶段？”之类的问题。它不从头编写 SQL，而是调用 MCP server 上的工具来获取数据。这些工具读取一个语义模型，即每个指标的共享定义。 我们最初让这个 agent 跑在 Gemini 上，并且用了很长时间。我们考虑过 Claude，但它的每 token 价格更高，而且在无法衡量质量的情况下，我们没有理由多花钱。有了 evals 之后，情况变了：evals 是自动化检查，针对固定问题给 agent 的回答打分。我们第一次可以比较模型完成工作的好坏，而不是只看价目表。于是我们让同一个 agent 跑在 Claude 上看看。结果出乎意料。 我们用了唯一能定论的方式测试 Claude 与 Gemini 在 AI agent 上的表现。同一个 agent、同一套工具、同样的 evals，每个模型 99 轮，测试日期 2026 年 10 月 26 日。简版结论：对这个工作负载，Claude 更准确，p90 速度快约 3 倍（p90 指十轮中有九轮在该时间内完成），每轮成本约为一半。本文只讲结果。 对这个 agent 而言，是的。Claude 通过了 95% 的客户 evals，Gemini 为 82%；p90 耗时为 48 秒对 161 秒；每轮成本为 $0.067 对 $0.139。 三个真实用户问题并排对比。这里我们统计工具调用次数：即模型每次让 agent 运行一个工具，例如一次指标查询。 准确率。Gemini 在每次运行中都漏掉同样的两项检查，并且在营收与订单 intake 的对比上表现不稳定。这些正是测试前用户报告过的问题，说明 evals 捕捉到了真实行为。Claude 唯一稳定的失败是一个 eval 的匹配模式过窄；答案本身没问题。 速度。中位轮次耗时接近（14 秒对 16 秒）。尾部则不然。Gemini 会循环：每轮模型调用多 2.4 倍，其中大多是微小的 Flash Lite 路由步骤在反复绕圈。除此之外，在我们的 trace 中，单次 Gemini 3.8 Flash 调用耗时约为 Sonnet 5.5 调用的 2.6 倍。“解释一笔交易的推进过程”这一行同时体现了两种效应：40 次工具调用、209 秒，才达到 Claude 用 14 次工具调用、51 秒就识别出的阶段。 成本。Gemini 每 token 更便宜。但每轮成本是两倍，因为它每轮读取的输入多 3.7 倍，而且每次额外的模型调用都会重新读取整个对话。缓存对两者都有帮助：为 Claude 节省约 60%，为 Gemini 节省约 74%。即便如此，无缓存的 Claude（$0.175）仍略高于有缓存的 Gemini（$0.139），但远低于无缓存的 Gemini（$0.536）。对 agent 来说，每 token 成本是错误的计量单位。每完成一轮的成本才是账单上体现的。这和我们关于 token 资本的教训相同：预算买的是答案，不是 token。 没有混合方案能胜出。成本拆解排除了“Gemini 负责路由、Claude 负责推理”的拆分方案。Haiku 5.5 已经比 Gemini 3.5 Flash Lite 更便宜，且只占 Claude 方案成本的 6%。Sonnet 5.5 是另外 94%，而且缓存已经开启。没有更便宜的部分可以替换进来。 我们正在将 agent 默认切换到 Claude：Haiku 5.5 负责路由和简单轮次，Sonnet 5.5 负责其余部分，开启缓存。我们原本以为只是确认更便宜的模型然后继续。结果反而是，更小的 Claude 模型犯的错误更少，完成任务所需的 token 也更少，因此也更便宜。这次测试把“我们假设这是对的”变成了可以拿给追问原因的客户看的数字。如果你要为自己的 agent 选模型，复制测试的形态，而不是复制赢家：同一个 agent、你已信任的 evals、真实价格，以及每轮的成本和延迟。 RevOS 为你的 agent 提供对 CRM、计费 and 产品数据的统一受治理视图，通过 MCP 提供。