别再为 AI Agent 挑“最省 Token”的语言了：读 Dan Luu 评测有感
在 AI Agent 辅助编程的讨论中，有一个被反复引用且看似极具吸引力的观点：“动态类型语言（如 Ruby、Python）或极简语言（如 Clojure、J）能帮 AI 节省大量 Token。”
这个结论出资 Martin Alderson 等人的早期对比测试，甚至被 Google AI Overviews 直接吸收为标准答案。他们声称，在 Rosetta Code 这样的小任务中，由于不用写显式类型声明，Clojure 和 J 语言消耗的 Token 只有 C/C++ 的一半乃至三分之一，代币效率整整相差 2.6 倍。不少团队因此动了心思：是不是专门让 Agent 用某种极简 DSL 或动态语言生成代码，就能在有限的上下文窗口里省下一大笔钱？
著名系统性能专家 Dan Luu 最近发表的长文《What’s the best programming language for coding agents?》，用严谨的实证测试给这一迷思浇了一盆冷水。看完他的评测与数据，我不禁联想到之前写过的 《Not the Model, You’re the Harness》——在 AI 时代，我们太容易把玩具 Benchmark 里的虚假泡影，误当作指导生产的工业法则。
1. 荒谬的 Benchmark：沙盒泄露与逻辑漏洞
Section titled “1. 荒谬的 Benchmark：沙盒泄露与逻辑漏洞”Dan Luu 首先撕开了那些所谓“权威评测”的遮羞布。为什么之前的 Benchmark 能测出 2.6 倍的代币效率差？原因只有两个：任务过于平凡，以及评测套件自身带有严重 Bug。
Rosetta Code 上的任务，本质上是几十行以内的控制台打印输出。在这类极小任务上，少写几行类型定义确实占了字符数的便宜。这就如同此前流行一时但后续被证伪的“野人模式（Caveman mode）”一样——在玩具项目上看似省 Token，一旦放到真正包含算法推理、多模块协作和自动化测试的真实工程中，语法字符数的微小差异就会被迅速稀释到忽略不计。
更荒诞的是开源评测套件里的沙盒缺陷。在知名 benchmark ai-coding-lang-bench 中，某项测试脚本试图调用 ../../minigit，但该路径根本不存在：
- 静态语言 Rust 率先被测试，因为找不到执行文件直接被判 0 分；
- 紧接着运行的第一个 Go agent 在“修复环境”时，在父目录做了一个指向自己二进制文件的软链接；
- 结果导致：后续所有语言（包括 Ruby、Python、Haskell 等）的评测，实际上跑的全是第一个 Go agent 编译出来的程序！
评测作者并未察觉到这一严重的沙盒污染，反倒在报告里大谈“Rust 和 Haskell 的所有权与单子增加了 AI 的认知负担，导致通过率低下”。当 Dan Luu 重新让 Rust 针对自身的二进制文件跑测试时，Rust 瞬间拿下了 100% 的完美通过率。此外，测试脚本里甚至还出现了 if/else 两端都无脑返回 pass 的逻辑漏洞。基于这样布满暗礁的评测套件得出的“某种语言省代币”的结论，自然经不起推敲。
2. 非平凡任务实测：语法紧凑度不如 GitHub 流行度
Section titled “2. 非平凡任务实测：语法紧凑度不如 GitHub 流行度”为了验证真实的语言效率，Dan Luu 搭建了两个非平凡（Non-trivial）评测任务：
- Zstd 解码器实现：要求 Agent 在没有外网的隔离沙盒中，严格按照 Zstd RFC 规范从零写出完整的解码器。
- Pandoc 预留测试集（Holdout Bench）：使用测试驱动开发（TDD）模式，在 Agent 无法偷窥的预留测试集上评分。
在 Dan Luu 抓取并汇总的 5 个交互式可视化图表数据中（涵盖 GPT-5.6 级别模型在不同 Effort 下的表现），呈现出几个颠覆直觉的现象：
- 静态 vs. 动态语言没有代币壁垒：在复杂任务中，所谓的 2.6 倍代币鸿沟荡然无存。在中等推理 Effort 下，动态语言分布略靠近左上方；但在 Ultra 深度推理 Effort 下，Rust、Go、C++ 等静态语言的正确率反超或平起平坐。
- 生僻极简语言（J、Assembly）全面崩溃：J 语言虽然理论字符极少，但因为 AI 预训练权重里缺乏相关数据，模型生成时错误率居高不下，耗费了大量重试代币。
- 流行度正相关：代码在 GitHub 上的流行度（Popularity）呈现出明显的正向影响。越主流、开源样本越丰富的语言（如 Python、TypeScript、Rust、Go），Agent 生成的代码成本更低、正确率更高。
大模型本质上是一个基于概率分布的文本补全引擎，而不是字符压缩机。100 行语法显式但分布极广的 Python 或 Rust 代码，模型处理起来顺风顺水；而 10 行机器闻所未闻的生僻符号，反而会让模型陷入漫长的概率迷茫。
3. 确定性反馈才是真正的代币杠杆
Section titled “3. 确定性反馈才是真正的代币杠杆”在真实的 Agent 循环（Agent Loop）中，代币消耗大户从来不是“第一版代码写了多少字”，而是“Agent 在错误尝试中来回重构消耗的 Context”。
Dan Luu 在评估 Agent 循环路径时，对比了三种模式：
- Ultra 单次深度推理
- Resume with context（保留上下文迭代）
- Ralph loop（每轮清空 Context 重新 Prompt）
实验结果显示：保留上下文连续修正的效率，显著优于每轮清空 Context 的 Ralph loop。 特别是在动态语言中，一旦清空上下文，由于缺乏静态类型信息的显式约束，Agent 会迅速丢失先前的类型推导，陷入重复报错的困境。
这让我在之前 《给 GitHub Copilot 装上抓包代理后，我看到了 AI IDE 最贪婪的一面》 中观察到的现象得到了理论印证。在真实开发中，静态语言的编译器、Linter 和类型系统，提供了一种极高密度的“确定性反馈（Deterministic Feedback）”。
哪怕静态语言在首次 Prompt 时多消耗了 10% 的 Token 用来写类型标注，编译器报错能让 Agent 在一两轮之内精准定位错误并收敛；相反，动态语言虽然省了类型字符，却可能让 Agent 在隐式类型引发的运行时异常里打转五六轮。确定性反馈带来的收敛速度，才是决定 Agent 总体代币账单的真正杠杆。
4. 总结与启示
Section titled “4. 总结与启示”回到最初的问题：对于 AI Coding Agent 而言，到底哪种编程语言最省 Token、最有效率？
Dan Luu 的实证研究给出了明确的答案：
- 别为生僻极简语法买单：不要指望靠 J、Clojure 或某种极其晦涩的自定义 DSL 让 AI 省 Token，模型的预训练数据权重覆盖率决定了基线能力。
- 重视类型与确定性 Harness：TypeScript、Rust、Go、Python 这类既有海量开源生态、又有完善校验闭环的主流语言，才是 Agent 研发的最优解。
- 警惕玩具 Benchmark：当有人告诉你“某种新技巧/新语言能帮 Agent 降低 60% 成本”时，先检查他们的评测沙盒有没有脏数据，任务是不是只有十几行的 Rosetta Code。
与其在语言选型上花心思绞尽脑汁“省代币”，不如把精力放在给 Agent 搭建更严密的沙盒环境、更准确的测试套件与更快速的反馈回路（Harness）上。
你给 AI Agent 写代码时更偏好哪种语言？是在用静态类型还是动态语言？欢迎在评论区分享你的实测体会。