AI 账单太高了：Tokenomics 101 — Eugene Cheah, Featherless AI

这条分享切中当下 AI 工程团队最现实的痛点：推理账单持续膨胀，但产出并没有同比例增长。Eugene Cheah 给出的框架不是“换更便宜的模型”这么简单，而是把 token 成本当作一项需要工程化治理的系统问题，按度量、选型、采购、流程四步推进。

第一步“度量”最容易被忽视，却最具杠杆。很多团队共用一个 API key，导致无法归因成本，也就无法优化。按团队或项目拆分 key，才能看清哪些调用真正昂贵、哪些只是噪声。这一步也自然引出对工作负载的分类：agentic 任务和流程型任务对模型能力、延迟和成本的要求完全不同，混在一起评估只会得出错误结论。

选型环节的关键洞察是“规划用强模型、执行用便宜模型”，以及分类器这类廉价模型可以承担大量结构化判断。对中文团队而言，这意味着不必在每个环节都调用前沿模型，而是把能力分层：复杂推理交给强模型，重复性判断交给小模型或微调模型。

采购与流程层面，分享提醒我们模型切换本身有成本，团队更倾向于稳定而非省钱，因此应给团队模型标签而非具体模型名，把选型决策集中管理。自建微调模型配合影子流量，可以在不牺牲质量的前提下持续压低成本。

对中文 AI/科技读者来说，这套方法的价值在于可操作性：它不依赖特定厂商，而是提供一套可落地的成本治理清单，适合正在把 AI 从试点推向规模化生产的团队参考。