单次调用更便宜，成功交付却更贵：智能体的「每次成功交付成本」

单步账单缩水与总账超支：智能体成本的核算错位

设想一个企业智能体试点：技术团队把动作选择换成更轻、更便宜的模型后，网关看板上的单次调用均价与单步延迟明显下降。但当财务与运营把月度总账和实际办结的工单对起来看时，每笔有效业务的平均支出可能几乎没变，排查卡住的运行、撤回“假完工”的人工负担反而可能加重。若不按完整交付结果核算，单步层面的账面节约就可能被异常处置与人工监督抵消。

这一反差源于核算口径错位。智能体成本通常按单次调用或单次尝试汇报，但业务结果依赖一连串决策、故障恢复与完工核验。廉价决策模型虽能压低单步成本，但外围辅助推理、拉长的交互、失败恢复与过早宣告完工会将省下的开销悉数吸收——若将失败尝试计入分子、以最终被接受的成功交付作为分母，每次成功交付成本可能持平甚至上升。因此，评测必须兼顾成本与重复运行，而完工核验与进度保护也应固化为系统组件而非提示词请求。

为什么「更快更省」的决策未必造就更经济的智能体

三项关于智能体工作流与评测方法学的研究，从决策节约吸收、成本与准确率联合优化以及系统级方差分解拆解了这一机制。

Ling、Yu、Chen 与 Fang（2026）在包含 134 项任务的文本家居环境与涵盖 116 类任务的移动应用环境中评估了五个智能体家族，每个配置重复运行三次，共执行 4,500 次任务，对比原始大模型动作选择与一种快速、低价的结构化决策模型^[1]。在单步层面，五个智能体家族的平均决策成本下降 66.1% 至 78.4%，决策时间缩短 73.9% 至 81.5%；尽管每次决策词元数上升 53.5% 至 134.9%，更低的单价仍带来显著单步节约^[1]。

但在完整工作流层面，辅助推理与额外交互吸收了单步节约。文本家居任务成功率接近基线（仅落后 1.49 与 1.74 个百分点），而移动应用环境中两个智能体的成功率分别下跌 13.22 与 18.10 个百分点，第三个下跌 2.30 个百分点^[1]。按「每次成功交付成本」（含失败尝试的总成本除以成功次数）计算，四个智能体家族指标下降，但其中一个移动智能体尽管单次尝试成本下降 17.1%，每次成功交付成本的观测均值却从 68.70 毫美元升至 73.97 毫美元，上升 7.7%（其 95% 置信区间跨越零点，应视为观测均值变化而非已证实的显著效应）；另一移动智能体的每次成功交付耗时则从 239.4 秒升至 377.8 秒^[1]。

吞噬节约的症结在于恢复失败与过早宣告完工。某一配置中，仅 2.0% 的执行就因无效恢复消耗了 53.3% 的推理总支出；在持续失败案例中，快速决策模型的 57 次执行中有 40 次恢复失败，而基线 57 次中仅有 3 次^[1]。启用跨尝试反思时，快速决策变体首次尝试成功率虽更高（383/402 即 95.27%，基线为 376/402 即 93.53%），却仅挽回 19 次初始失败中的 11 次，远低于基线 26 次中的 25 次，最终总成功率更低^[1]。此外还存在过早宣告完工，例如点击标有“关闭”的开关便宣告成功，而无线网络仍处于关闭状态^[1]。作者总结，工作流必须保护进度、支持恢复并核验完工，以成功交付、恢复表现与每次交付消耗的资源评估价值^[1]。

这与 Kapoor、Stroebl、Siegel、Nadgir 与 Narayanan（2024）的观点一致：狭隘紧盯准确率而忽视其他指标，造就了过于复杂昂贵的智能体并误导了对准确率来源的判断；混淆模型开发者与下游开发者的基准需求、留出集不足诱发走捷径或过拟合，以及缺乏标准化，导致普遍的不可复现问题。他们主张联合优化成本与准确率，并展示了一种在保持准确率的同时大幅降低成本的优化方法^[2]。

Wiedmann、Girrbach、Schmid 与 Akata（2026）在涵盖四项科学任务（要求编码智能体查找并操作已发布专用模型）、释放逾 18,000 条轨迹的研究中指出，智能体是可配置系统而非单一模型^[3]。对比任务信息、推理、自我核验、时间预算与骨干模型五个部分后发现，在该基准上约 54% 的结果方差来自重复运行同一配置而非改变配置；提供给智能体的任务信息影响最大，超过时间预算与模型规模，同时能降低成本并改善校准度；增加时间仅在信息充足或模型足够强时有效^[3]。尤其关键的是，用提示词要求核验答案对核验行为影响甚微，而提供专用核验工具则能显著改变核验行为^[3]。

面向「每次成功交付」的工程核算与系统架构

我们认为，上述结论指向明确的工程准则：不能以智能体自报完成作为核算终点，也不能靠提示词防范无效恢复。在 rlab.works 的模型网关与智能中枢模块中，我们建议为每次模型与工具调用绑定任务与运行标识，将失败与重试开销归集至同一任务账本，并以人工交付关口验收通过的结果作为分母。

在模型网关层，技能包模型用量与费用核算按“预留预算 → 提交任务 → 逐笔记账 → 人工对账（人工关口）”运行。它在公共服务与金融场景均为可迁移应用；金融场景的适配边界是研究工具运营成本核算，需指定单一计费归口并统一单位，绝不用于金融交易清算。底层由两项处于可用状态的组件支撑：

• 用量预留、预算、版本化定价与结算：预留并结算用量、执行预算硬约束、核对已定价或未定价账本凭证，我们认为可借此为失败恢复循环设定预算上限，避免其无节制消耗算力。
• 网关用量、财务、可靠性与集群分析：追踪请求、延迟、错误率、缓存节约、用量与成本。我们认为，看板应将失败与重试归入主任务，直接报告失败支出占比及每次被接受交付的累计耗时与成本。

在智能中枢层，技能包中断任务接续执行通过“找回历史记录 → 确认接续点（人工关口） → 继续运行 → 验收结果（人工关口）”保护进度，依托处于可用状态的组件**可恢复的智能体运行时与上下文管理**实现准入控制、上下文预算、持久化事件、检查点与重放以及可重连运行。它在消费应用中为可迁移应用，适配边界是导入的历史记录不得触发自动新执行或自动扣费，恢复运行必须使用原生检查点或显式确认新任务。

最终交付分母由技能包复杂任务拆解与执行界定。它在制造业中为可迁移应用，在其他场景作为通用模式复用，于范围审批与交付复核处设人工关口。我们认为，应把完工核验实现为交付关口前的专用工具步骤，仅将人工交付关口正式接受的结果计入成功交付分母。

需如实说明：上述技能包均为基于合成数据演示的拟议编排，并非真实客户生产部署；各行业应用均属可迁移模式，落地时须按适配边界完成接口与计费配置。

上线前的三项成本与可靠性核查清单

在替换决策模型或扩建智能体工作流前，工程与财务团队可执行三项核查：

• 重构核算分母与失败支出口径：按任务归集首次尝试、重试与失败放弃的全部成本，除以人工交付关口接受的产出数，同步追踪失败支出占比与每次成功交付耗时。
• 把检查点与完工核验做成系统组件：不依赖提示词自检，配置独立核验工具与原生检查点，确保失败从有效检查点恢复且历史导入不触发自动扣费。
• 补齐任务信息并执行多次重复评测：鉴于有研究观察到约 54% 的结果方差来自重复运行同一配置，任何配置比选都应包含重复运行，并优先改善任务信息与工具契约。