單次調用更便宜，成功交付卻更貴：智能體的「每次成功交付成本」

單步賬單縮水與總賬超支：智能體成本的核算錯位

設想一個企業智能體試點：技術團隊把動作選擇換成更輕、更便宜的模型後，網關看板上的單次調用均價與單步延遲明顯下降。但當財務與運營把月度總賬和實際辦結的工單對起來看時，每筆有效業務的平均支出可能幾乎沒變，排查卡住的運行、撤回「假完工」的人工負擔反而可能加重。若不按完整交付結果核算，單步層面的賬面節約就可能被異常處置與人工監督抵消。

這一反差源於核算口徑錯位。智能體成本通常按單次調用或單次嘗試彙報，但業務結果依賴一連串決策、故障恢復與完工核驗。廉價決策模型雖能壓低單步成本，但外圍輔助推理、拉長的交互、失敗恢復與過早宣告完工會將省下的開銷悉數吸收——若將失敗嘗試計入分子、以最終被接受的成功交付作為分母，每次成功交付成本可能持平甚至上升。因此，評測必須兼顧成本與重複運行，而完工核驗與進度保護也應固化為系統組件而非提示詞請求。

為什麼「更快更省」的決策未必造就更經濟的智能體

三項關於智能體工作流與評測方法學的研究，從決策節約吸收、成本與準確率聯合優化以及系統級方差分解拆解了這一機制。

Ling、Yu、Chen 與 Fang（2026）在包含 134 項任務的文本家居環境與涵蓋 116 類任務的移動應用環境中評估了五個智能體家族，每個配置重複運行三次，共執行 4,500 次任務，對比原始大模型動作選擇與一種快速、低價的結構化決策模型^[1]。在單步層面，五個智能體家族的平均決策成本下降 66.1% 至 78.4%，決策時間縮短 73.9% 至 81.5%；儘管每次決策詞元數上升 53.5% 至 134.9%，更低的單價仍帶來顯著單步節約^[1]。

但在完整工作流層面，輔助推理與額外交互吸收了單步節約。文本家居任務成功率接近基線（僅落後 1.49 與 1.74 個百分點），而移動應用環境中兩個智能體的成功率分別下跌 13.22 與 18.10 個百分點，第三個下跌 2.30 個百分點^[1]。按「每次成功交付成本」（含失敗嘗試的總成本除以成功次數）計算，四個智能體家族指標下降，但其中一個移動智能體儘管單次嘗試成本下降 17.1%，每次成功交付成本的觀測均值卻從 68.70 毫美元升至 73.97 毫美元，上升 7.7%（其 95% 置信區間跨越零點，應視為觀測均值變化而非已證實的顯著效應）；另一移動智能體的每次成功交付耗時則從 239.4 秒升至 377.8 秒^[1]。

吞噬節約的癥結在於恢復失敗與過早宣告完工。某一配置中，僅 2.0% 的執行就因無效恢復消耗了 53.3% 的推理總支出；在持續失敗案例中，快速決策模型的 57 次執行中有 40 次恢復失敗，而基線 57 次中僅有 3 次^[1]。啓用跨嘗試反思時，快速決策變體首次嘗試成功率雖更高（383/402 即 95.27%，基線為 376/402 即 93.53%），卻僅挽回 19 次初始失敗中的 11 次，遠低於基線 26 次中的 25 次，最終總成功率更低^[1]。此外還存在過早宣告完工，例如點擊標有「關閉」的開關便宣告成功，而無線網絡仍處於關閉狀態^[1]。作者總結，工作流必須保護進度、支援恢復並核驗完工，以成功交付、恢復表現與每次交付消耗的資源評估價值^[1]。

這與 Kapoor、Stroebl、Siegel、Nadgir 與 Narayanan（2024）的觀點一致：狹隘緊盯準確率而忽視其他指標，造就了過於複雜昂貴的智能體並誤導了對準確率來源的判斷；混淆模型開發者與下游開發者的基準需求、留出集不足誘發走捷徑或過擬合，以及缺乏標準化，導致普遍的不可復現問題。他們主張聯合優化成本與準確率，並展示了一種在保持準確率的同時大幅降低成本的優化方法^[2]。

Wiedmann、Girrbach、Schmid 與 Akata（2026）在涵蓋四項科學任務（要求編碼智能體查找並操作已發佈專用模型）、釋放逾 18,000 條軌跡的研究中指出，智能體是可配置系統而非單一模型^[3]。對比任務資訊、推理、自我核驗、時間預算與骨幹模型五個部分後發現，在該基準上約 54% 的結果方差來自重複運行同一配置而非改變配置；提供給智能體的任務資訊影響最大，超過時間預算與模型規模，同時能降低成本並改善校準度；增加時間僅在資訊充足或模型足夠強時有效^[3]。尤其關鍵的是，用提示詞要求核驗答案對核驗行為影響甚微，而提供專用核驗工具則能顯著改變核驗行為^[3]。

面向「每次成功交付」的工程核算與系統架構

我們認為，上述結論指向明確的工程準則：不能以智能體自報完成作為核算終點，也不能靠提示詞防範無效恢復。在 rlab.works 的模型網關與智能中樞模組中，我們建議為每次模型與工具調用綁定任務與運行標識，將失敗與重試開銷歸集至同一任務賬本，並以人工交付關口驗收通過的結果作為分母。

在模型網關層，技能包模型用量與費用核算按「預留預算 → 提交任務 → 逐筆記賬 → 人工對賬（人工關口）」運行。它在公共服務與金融場景均為可遷移應用；金融場景的適配邊界是研究工具運營成本核算，需指定單一計費歸口並統一單位，絕不用於金融交易清算。底層由兩項處於可用狀態的組件支撐：

• 用量預留、預算、版本化定價與結算：預留並結算用量、執行預算硬約束、核對已定價或未定價賬本憑證，我們認為可藉此為失敗恢復循環設定預算上限，避免其無節制消耗算力。
• 網關用量、財務、可靠性與集羣分析：追蹤請求、延遲、錯誤率、緩存節約、用量與成本。我們認為，看板應將失敗與重試歸入主任務，直接報告失敗支出佔比及每次被接受交付的累計耗時與成本。

在智能中樞層，技能包中斷任務接續執行通過「找回歷史記錄 → 確認接續點（人工關口） → 繼續運行 → 驗收結果（人工關口）」保護進度，依託處於可用狀態的組件**可恢復的智能體運行時與上下文管理**實現准入控制、上下文預算、持久化事件、檢查點與重放以及可重連運行。它在消費應用中為可遷移應用，適配邊界是匯入的歷史記錄不得觸發自動新執行或自動扣費，恢復運行必須使用原生檢查點或顯式確認新任務。

最終交付分母由技能包複雜任務拆解與執行界定。它在製造業中為可遷移應用，在其他場景作為通用模式複用，於範圍審批與交付複核處設人工關口。我們認為，應把完工核驗實現為交付關口前的專用工具步驟，僅將人工交付關口正式接受的結果計入成功交付分母。

需如實説明：上述技能包均為基於合成數據演示的擬議編排，並非真實客戶生產部署；各行業應用均屬可遷移模式，落地時須按適配邊界完成接口與計費配置。

上線前的三項成本與可靠性核查清單

在替換決策模型或擴建智能體工作流前，工程與財務團隊可執行三項核查：

• 重構核算分母與失敗支出口徑：按任務歸集首次嘗試、重試與失敗放棄的全部成本，除以人工交付關口接受的產出數，同步追蹤失敗支出佔比與每次成功交付耗時。
• 把檢查點與完工核驗做成系統組件：不依賴提示詞自檢，配置獨立核驗工具與原生檢查點，確保失敗從有效檢查點恢復且歷史匯入不觸發自動扣費。
• 補齊任務資訊並執行多次重複評測：鑑於有研究觀察到約 54% 的結果方差來自重複運行同一配置，任何配置比選都應包含重複運行，並優先改善任務資訊與工具契約。