当前对大型语言模型（LLM）智能体的评估主要侧重于任务完成率，往往忽视了资源效率与适应性。这种忽略忽略了一个关键能力：智能体在环境变化时，能够制定并调整成本最优计划的能力。为弥补这一差距，我们提出 CostBench——一个可扩展、以成本为中心的基准测试框架，用于评估智能体的经济推理能力与动态重规划能力。CostBench 位于旅行规划领域，其任务可通过多种原子工具与复合工具的组合序列求解，且每种工具的开销具有多样性和可定制性。该基准还支持四类动态阻断事件（如工具故障、成本突变），以模拟现实世界中的不确定性，从而要求智能体在运行时实时调整策略。在 CostBench 上对主流开源与专有模型的评估显示，当前智能体在成本感知规划方面存在显著不足：在静态环境下，智能体常无法识别成本最优解，即使 GPT-5 在最复杂任务上的精确匹配率也未超过 75%；而在动态条件下，性能进一步下降约 40%。通过诊断这些缺陷，CostBench 为未来开发兼具经济理性与鲁棒性的智能体奠定了基础。