一个团队庆祝 AI 代理单次运行成本很低。然而，有的运行需要重试，有的输出要由人修正字段，还有少数会触发外部查询。一次运行仍然便宜，一件被接受的工作却越来越贵。这只是示例账本，不是实测结果。
一场代理运行演示展示了跨会话和团队的 token 与工作成本归因。看清支出有用，但支出仪表板不能独自证明价值。评估自动化时，分母和分子一样重要。
加总成本前，先定义结果
在数据同步中，模型可能先给自由文本字段分类，再移动记录。“运行成功”可以只表示模型返回了标签。真正有用的结果更严格：目标系统接受了正确记录，权限规则得到遵守，在规定的复核期内也不需要修正。这是两种不同单位。
选择工作流对用户承诺的单位，可以是一件已解决的客服案件、一张获批发票，或一份准确更新的客户资料。明确什么叫被接受，以及谁有权拒绝。没有定义，团队可以靠降低门槛让成本图看起来更好。
然后追踪每个被接受的结果经历了什么。
- 尝试模型调用可能需要
- 工具与重试额外工作随后
- 复核修正时间通过检查
- 被接受的结果已定义产出
记录模型用量、工具调用、重试、人工复核和返工。分别展示，而不要合成一笔来历不明的金额。工具成本可以包含付费 API 调用；人工时间可先用分钟表示，只有声明本地假设后再换算成钱。
| 数量 | 示例定义 | 重要性 |
|---|---|---|
| 尝试 | 启动一次运行 | 反映负载，不代表交付价值 |
| 被接受的结果 | 通过指定检查的工作项 | 计算有用产出的分母 |
| 重试 | 同一工作项再次尝试 | 暴露隐藏计算与延迟 |
| 修正 | 初次接受后的更改 | 暴露质量债务 |
| 复核时间 | 人工检查所用分钟 | 暴露转移给人的工作 |
这张表提出记账类别，不提供代理或同步的性能基准。
跟着工作项走，不要只跟着模型走
模型可能便宜，工作流却很贵。假设分类只需一次调用，系统却还要抓取三条记录、等待外部 API，并请操作人员调解冲突。即便 token 减半，总成本也可能几乎不变。反过来，稍贵的分类若提供更好证据、减少错误，可能节省复核时间。哪种结果都不能预先断定，需要测量。
用工作项标识把尝试、工具调用和结果连起来。追踪也受隐私限制：记账需要数量与引用，不需要无限制复制客户数据。还应记录模型或规则版本，因为后续修改可能同时改变成本与错误模式。
平均值会藏住昂贵的尾部。除了中位数，再报告分布或至少较高的百分位。一个少见但反复重试的路径，可能花掉大笔预算，或耽误有时效要求的发送。安全停止的失败工作，与看似被接受却后来需要修正的错误工作，也要分开。
比较成本前，先定义质量
有些结果的确需要判断，这正是应制定复核准则的原因，而不是退回到“单次运行成本”。对客服回复来说，验收也许要求事实正确、行动获授权、语气合适。复核者可能有分歧；记录分歧，避免虚假的精确度。
精确的同步步骤可以更确定地验收：目标具有预期 ID 和字段，源事件只确认一次，重复事件没有再创建客户。后来的修正还应归到同一工作项。这样仪表板就不会把一次快速但错误的同步算成完成的价值。
成本不是唯一目标。延迟、可靠性、隐私和客户受害程度可能更重要。一个更便宜、却偶尔造成严重错误的工作流，也许更差。只在达到必要质量和权限门槛的方案之间比较成本。
比较还要有基线。用同样的验收定义测量原有人工流程或上一版自动化，否则新代理可能只是因为失败的记账方式不同而显得高效。为迟来的修正设固定观察窗口，对尚未经过完整窗口的工作项单独报告，不要悄悄标为成功。两人复核一项工作时，要计算两人的实际时间，并记录意见分歧。AI 工作流实施指南讨论更广的推出方式；这本账则检验某一种方式能否持续、合理地交付被接受的工作。
真正有用的成本问题不是“模型说一句话有多便宜”，而是“交付一个我们愿意保留的结果花了多少”。
常见问题
为什么单次模型调用的成本会误导人？
一个被接受的结果可能需要多次调用、外部工具、重试和人工修正。若这些步骤频繁发生，便宜的调用也会形成昂贵的工作流。
什么算被接受的结果？
在测量前按任务定义。例如，一条正确同步、通过验证，且在规定观察期内无需修正的记录。
应该计算人工复核时间吗？
比较端到端方案时应该计算，并单独记录。这样才能看出自动化减少了工作，还是仅把工作转移到人工复核。