第十章：成本模型与预算管理

TIP

没有成本意识 = 项目不可持续。本章给出一个可参数化的成本计算 fixture 和三档预算框架。

老板真正关心的不是“技术上能不能做”，而是“上线后每月烧多少钱、多久回本”。所以这一章只做一件事：把知识库从建库、查询到持续进化的成本拆成可计算、可熔断、可汇报的数字。

10.1 知识库全生命周期成本拆解

供应商价格是模型、计费维度与时间相关的易漂移输入。官方价格页可能分别列出 input、cached input 与 output 等维度；每次预算评审都必须记录目标模型、区域、币种和生效日期，不能沿用本文历史数字。

估算口径：下表是历史示例输入，不是 2026-08-01 的供应商报价。币种为 USD，区域、税费、折扣、缓存命中率与供应商计费层级均未统一，因此只能用于展示计算结构；立项时必须把当日官方价格、适用区域和调用量写入 fixture 后重算。示例负载为首月 10 万条知识入库、月查询 1 万次、约 5 万页原始文档、平均每条知识 500 tokens、平均每次问答 4K tokens、单实例服务。

环节	开源方案	商业 API 方案	10 万条知识 / 1 万次查询月估算
采集	Firecrawl 免费层，低频抓取 $0	Firecrawl Pro，$49/月	$49
文档提取	PyMuPDF 本地解析，边际成本约 $0	Azure Document Intelligence，$0.01/页	$500
结构化提取	Qwen2.5-14B 本地，GPU 成本并入基础设施	Claude API，$0.003/1K tokens	$540（按 1.8 亿 tokens）
Embedding 生成	BGE-M3 本地，批处理生成	OpenAI Embedding，$0.02/1M tokens	$1（按 5000 万 tokens）
向量存储	ChromaDB 本地，磁盘成本并入基础设施	Pinecone 标准实例，$70/月	$70
LLM 查询	Qwen2.5 本地推理，GPU 成本并入基础设施	Claude API，$0.015/1K tokens	$600（按 4000 万 tokens）
监控	Prometheus + Grafana 本地，约 $0 边际成本	Datadog，$15/主机/月	$15
全本地方案月费	1 台 4090 工作站摊销 + 电费 + SSD + 备份	—	约 $280/月（≈ ¥2,000）
全商业方案月费	—	全链路商业 API + 商业向量库	约 $1,775/月（≈ ¥12,800）

示例推断：只在采用上表假设时，全商业方案约为全本地方案的 6 倍。缓存、批处理、折扣、硬件利用率或区域价格变化都会改变结果；该倍数不得脱离假设单独引用。

10.2 月度成本计算器

仓库内 fixtures/cost-model.mjs 与对应单元测试验证了参数变化、缓存命中和币种字段的确定性计算。下面的 Python 是同一计算思路的示意版本；要回答“30 万条知识会多少钱”，仍需先录入当日价格、区域、币种、缓存命中率与调用量。

fixture 已验证边界

在测试文件登记的固定输入下，固定输入的月度总额为 USD 135；这不是供应商报价。

计算输入必须显式包含币种、区域和价格生效日期；字段存在不等于价格已经复核。

缓存输入量大于总输入量时会失败关闭；当前测试尚未覆盖真实账单对账。

python

from dataclasses import dataclass, asdict
import json


@dataclass
class CostInput:
    knowledge_count: int = 100_000
    monthly_queries: int = 10_000
    source_count: int = 50


@dataclass
class CostBreakdown:
    crawl: float
    doc_extract: float
    structure_extract: float
    embedding: float
    vector_store: float
    llm_query: float
    monitoring: float
    total: float


def estimate_cost(data: CostInput, commercial: bool = True) -> CostBreakdown:
    if not commercial:
        fixed_local_infra = 280.0
        return CostBreakdown(
            crawl=0.0,
            doc_extract=0.0,
            structure_extract=0.0,
            embedding=0.0,
            vector_store=0.0,
            llm_query=0.0,
            monitoring=0.0,
            total=fixed_local_infra,
        )

    pages = max(data.knowledge_count // 2, data.source_count * 500)
    extract_tokens = data.knowledge_count * 1800
    embedding_tokens = data.knowledge_count * 500
    query_tokens = data.monthly_queries * 4000

    breakdown = CostBreakdown(
        crawl=49.0,
        doc_extract=pages * 0.01,
        structure_extract=(extract_tokens / 1000) * 0.003,
        embedding=(embedding_tokens / 1_000_000) * 0.02,
        vector_store=70.0,
        llm_query=(query_tokens / 1000) * 0.015,
        monitoring=15.0,
        total=0.0,
    )
    breakdown.total = round(
        breakdown.crawl
        + breakdown.doc_extract
        + breakdown.structure_extract
        + breakdown.embedding
        + breakdown.vector_store
        + breakdown.llm_query
        + breakdown.monitoring,
        2,
    )
    return breakdown


if __name__ == "__main__":
    user_input = CostInput(
        knowledge_count=100_000,
        monthly_queries=10_000,
        source_count=50,
    )

    commercial = estimate_cost(user_input, commercial=True)
    local = estimate_cost(user_input, commercial=False)

    print("=== 商业 API 方案 ===")
    print(json.dumps(asdict(commercial), indent=2, ensure_ascii=False))
    print("=== 全本地方案 ===")
    print(json.dumps(asdict(local), indent=2, ensure_ascii=False))

10.3 三档预算方案

方案	技术栈	适用规模	月度成本明细	团队规模
轻量方案（＜¥5 万/年）	Ollama + Qwen2.5 + BGE-M3 + ChromaDB + Prometheus	1-5 万条知识，月查询 < 3000	设备摊销 ¥1500-2500 + 备份/电费 ¥300-800，零 API 费	1-2 人，通常是 1 名工程师兼运维
标准方案（¥5-50 万/年）	公开数据走 Firecrawl / Azure / Claude，内部数据走本地 Qwen + ChromaDB	5-50 万条知识，月查询 3000-5 万	API ¥3000-15000 + 本地 GPU ¥2000-5000 + 监控/存储 ¥1000-3000	2-4 人，含 1 名业务 Owner
企业方案（¥50-200 万/年）	商业向量库 + 企业级 API + Datadog + CI/CD + 权限审计	50 万条以上，月查询 5 万+，多 BU 共用	平台费 ¥2-8 万 + 安全/审计 ¥1-3 万 + 人力 ¥2-8 万	4-8 人，含平台、算法、数据、业务运营

选择原则很简单：轻量方案先证明 ROI，标准方案追求速度，企业方案追求 SLA 与治理。不要一开始就买最贵的栈，除非你的老板买的是“风险确定性”而不是“最低单价”。

10.4 ROI 计算模型

公式先写死：

text

月收益 = 每月节省工时 × 人均小时成本 × 实际采用率
年化 ROI = (年化收益 - 年化总成本) / 年化总成本 × 100%

真实场景：10 人选品团队

每人每天节省 3.5 小时 × 10 人 × 22 天 = 770 人时/月
按人均成本 ¥150/小时 → 月节省 ¥115,500
年化满产收益：¥115,500 × 12 = ¥1,386,000

Year 1：建设期

假设采用率只做到 70%
年化收益：¥1,386,000 × 70% = ¥970,200
Year 1 总成本：建设 + 运行合计 ¥300,000

text

ROI = (970,200 - 300,000) / 300,000 × 100% = 223.4%

Year 2 / 3：成熟期

假设采用率接近 100%
年化收益：¥1,386,000
年运行成本：¥150,000

text

ROI = (1,386,000 - 150,000) / 150,000 × 100% = 824%

决策建议：即使按“Year 1 只有 70% 采用率”的保守口径，ROI 仍然 > 200%。所以老板不该问“能不能做”，而该问“先在哪个团队做最先回本”。

10.5 成本熔断机制（`cost_guard.py`）

预算一定要做成代码，不要靠群里口头提醒。

python

from __future__ import annotations

from dataclasses import dataclass, field
from datetime import date
import json
from pathlib import Path


@dataclass
class BudgetConfig:
    monthly_limit: float = 500.0
    daily_limit: float = 50.0
    ledger_path: str = "cost_ledger.json"


@dataclass
class Decision:
    action: str
    reason: str
    approved_cost: float = 0.0
    sample_size: int | None = None


@dataclass
class CostGuard:
    config: BudgetConfig = field(default_factory=BudgetConfig)

    def _load(self) -> dict:
        path = Path(self.config.ledger_path)
        if not path.exists():
            return {"monthly": {}, "daily": {}}
        return json.loads(path.read_text(encoding="utf-8"))

    def _save(self, ledger: dict) -> None:
        Path(self.config.ledger_path).write_text(
            json.dumps(ledger, indent=2, ensure_ascii=False),
            encoding="utf-8",
        )

    def _spent(self, ledger: dict) -> tuple[float, float, str, str]:
        today = date.today().isoformat()
        month = today[:7]
        daily_spent = ledger["daily"].get(today, 0.0)
        monthly_spent = ledger["monthly"].get(month, 0.0)
        return daily_spent, monthly_spent, today, month

    def check(self, operation: str, estimated_cost: float, is_core: bool) -> Decision:
        ledger = self._load()
        daily_spent, monthly_spent, _, _ = self._spent(ledger)

        if monthly_spent + estimated_cost > self.config.monthly_limit:
            if is_core:
                return Decision("degrade", f"{operation} 超月预算，保留核心能力并降级执行")
            return Decision("stop", f"{operation} 超月预算，非核心任务自动停止")

        if daily_spent + estimated_cost > self.config.daily_limit:
            if operation == "llm_as_judge_full":
                return Decision(
                    "degrade",
                    "达到日预算上限，LLM-as-Judge 从 200 条全量降级为 20 条抽样",
                    approved_cost=estimated_cost * 0.1,
                    sample_size=20,
                )
            if is_core:
                return Decision("degrade", f"{operation} 达到日预算上限，切换低成本模式")
            return Decision("stop", f"{operation} 达到日预算上限，非核心任务停止")

        return Decision("allow", f"{operation} 在预算内", approved_cost=estimated_cost)

    def record(self, actual_cost: float) -> None:
        ledger = self._load()
        daily_spent, monthly_spent, today, month = self._spent(ledger)
        ledger["daily"][today] = round(daily_spent + actual_cost, 2)
        ledger["monthly"][month] = round(monthly_spent + actual_cost, 2)
        self._save(ledger)


if __name__ == "__main__":
    guard = CostGuard(BudgetConfig(monthly_limit=500, daily_limit=50))

    decision = guard.check(
        operation="llm_as_judge_full",
        estimated_cost=18.0,
        is_core=False,
    )
    print(decision)

    if decision.action == "allow":
        guard.record(decision.approved_cost)
    elif decision.action == "degrade":
        print(f"降级执行，sample_size={decision.sample_size or 'low-cost-mode'}")
        guard.record(decision.approved_cost)
    else:
        print("停止执行非核心任务")

这个守卫至少要做到 4 件事：

每月预算上限可配置，默认 $500
每日上限可配置，默认 $50
高成本操作自动从全量降级为抽样（20 条而不是 200 条）
一旦超预算，优先保核心链路，停止非核心任务

10.6 自进化成本监控

最容易失控的不是问答，而是“自动补盲区”。因为它会不断发现新 gap，再继续补 gap，最后把预算吃光。

python

from __future__ import annotations

from dataclasses import dataclass, field
from datetime import datetime
import json
from pathlib import Path
from urllib import request


@dataclass
class EvolutionBudgetMonitor:
    monthly_limit: float = 500.0
    alert_threshold: float = 0.8
    webhook_url: str = ""
    state_path: str = "evolution_state.json"
    max_repairs_per_topic: int = 3

    def _load_state(self) -> dict:
        path = Path(self.state_path)
        if not path.exists():
            return {"spent": 0.0, "topics": {}, "history": []}
        return json.loads(path.read_text(encoding="utf-8"))

    def _save_state(self, state: dict) -> None:
        Path(self.state_path).write_text(
            json.dumps(state, indent=2, ensure_ascii=False),
            encoding="utf-8",
        )

    def _alert(self, message: str) -> None:
        print(f"[ALERT] {message}")
        if not self.webhook_url:
            return

        payload = json.dumps({"text": message}).encode("utf-8")
        req = request.Request(
            self.webhook_url,
            data=payload,
            headers={"Content-Type": "application/json"},
        )
        request.urlopen(req, timeout=5)

    def before_task(self, topic: str, estimated_cost: float) -> bool:
        state = self._load_state()
        remaining = self.monthly_limit - state["spent"]
        repair_count = state["topics"].get(topic, 0)

        if repair_count >= self.max_repairs_per_topic:
            self._alert(f"主题 {topic} 已连续自动补洞 {repair_count} 次，停止无限填补盲区")
            return False

        if estimated_cost > remaining:
            self._alert(f"预算余额不足：剩余 ${remaining:.2f}，任务 {topic} 需要 ${estimated_cost:.2f}")
            return False

        if state["spent"] / self.monthly_limit >= self.alert_threshold:
            self._alert(f"本月预算已消耗 {state['spent'] / self.monthly_limit:.0%}，进入审慎模式")

        return True

    def after_task(self, topic: str, actual_cost: float) -> None:
        state = self._load_state()
        state["spent"] = round(state["spent"] + actual_cost, 2)
        state["topics"][topic] = state["topics"].get(topic, 0) + 1
        state["history"].append(
            {
                "topic": topic,
                "cost": actual_cost,
                "time": datetime.now().isoformat(timespec="seconds"),
            }
        )
        self._save_state(state)


if __name__ == "__main__":
    monitor = EvolutionBudgetMonitor(
        monthly_limit=500,
        alert_threshold=0.8,
        webhook_url="",  # 填 Slack / 钉钉 webhook 即可
    )

    task_name = "gap-fill:pricing-rules"
    estimated_cost = 12.0

    if monitor.before_task(task_name, estimated_cost):
        print("任务开始")
        # 在这里执行自动任务
        monitor.after_task(task_name, actual_cost=10.5)
    else:
        print("任务被预算系统拦截")

这段逻辑的关键不是“记账”，而是在每次自动任务前检查预算余额，并给钉钉 / Slack 发告警。这样你就不会因为一个“自进化代理”周末自己跑嗨了，周一看到 API 账单才发现出事。

10.7 成本优化 5 大策略

Token 压缩：把冗长 system prompt 改成结构化模板，通常能减少 30-50% token 消耗。
缓存热点查询：用 Redis 做 1 小时 TTL，命中率做上去后，热门问答会直接少掉 40%+ 的 LLM 请求。
批量化调用：把零散的小请求并成批量 embedding / extraction，降低请求次数和网络开销。
分级 LLM：简单分类、改写、打标签走小模型；复杂推理、冲突仲裁再走推理模型。
推理模型替代预处理：当数据变化极快时，不要过度预蒸馏；直接在查询时让强模型做轻量推理，反而更省。

10.8 价格参数与复核口径

任何价格都必须作为输入参数，而不是写死成长期事实。计算记录至少包含：币种、税费口径、计费地区、生效日期、输入 / 输出 / 缓存 token 单价、免费额度、批处理折扣与月调用量。未填写这些字段时，计算器只返回“参数缺失”，不得生成看似精确的月账单。

本章现有金额是方案示意，不是 2026-08-01 的官方报价。可运行的本地 fixture 只验证计算公式和币种一致性；真实预算仍需在采购当天从对应供应商价格页录入新参数并由预算 Owner 复核。

10.9 被遗漏的三类隐性成本

财务成本是可见的，但以下三类成本通常不出现在预算表里，却往往决定项目的成败。

隐性成本一：决策委托成本

当团队把判断权交给 Agent，他们会逐渐丧失自己判断的能力。这是一种"肌肉萎缩"——六个月后，当 Agent 给出错误建议时，没有人有能力识别它。

量化方法：每季度对核心用户做一次"盲测"——不用 AI 工具，独立完成三个代表性判断任务，比较决策质量与六个月前的差异。如果平均判断质量下降超过 20%，说明委托依赖已经形成。

缓解策略：保留"人类决策日"——每周至少一天核心业务判断不依赖 AI 辅助，确保人类判断能力不退化。

隐性成本二：规模临界点的非线性跳跃

三档预算方案给出了线性区间，但实际上知识库有几个非线性的成本跳跃点：

规模临界点	触发的成本跳跃
知识条数突破 50 万	向量检索延迟显著上升，需要分片或升级硬件，通常是 3-5 倍成本跳跃
日查询量突破 1 万次	单实例瓶颈，需要水平扩展，运维复杂度从个人可维护跃升为需要专职团队
Graph 节点突破 100 万	图遍历时间指数增长，社区检测算法计算成本爆炸
团队超过 5 个部门共用	权限管理从简单 RBAC 变成需要专门治理框架，数据隔离成本急剧上升

建议：在预算规划时，明确你的 18 个月规模预期，判断是否会触及上述临界点，提前规划应对方案，而不是到了再补救。

隐性成本三：组织迁移成本

从"没有知识库"到"有知识库"的切换期，会有一段两套系统并行运行的成本高峰，通常持续 3-6 个月：

工程师同时维护新旧两套工作流
用户需要同时使用新旧两个入口
数据在两个系统间存在不一致
发生问题时需要在两个系统间排查

经验数据：过渡期的运营成本通常是稳态的 1.5-2 倍，且很少被预算。建议为迁移期单独设立 20% 的缓冲预算，并制定明确的"旧系统下线时间表"——没有下线计划的迁移，往往会无限期并行运行。

→ 下一章

成本规划完成后，深入Skill蒸馏九大仓库的工程路线 → 09-skill-distillation-deep-dive

10.10 失败成本、机会成本与治理成本

当前成本模型覆盖了建设和运营成本，但遗漏了三类在决策层面更关键的成本。

失败成本：出错的代价

按错误代价分层（见第九章 §9.10），每类场景的失败成本估算：

场景级别	典型失误	单次失败成本估算	月均失误概率	期望月度风险成本
L1 可忽略	FAQ答错	¥0-50	5%	¥0-2.5
L2 可纠正	文案需返工	¥200-2000	3%	¥6-60
L3 业务损失	选品方向误判	¥5,000-50,000	1%	¥50-500
L4 合规风险	法律条款误读	¥50,000-500,000	0.1%	¥50-500
L5 不可逆	操作事故	无法量化	禁止自动化	—

python

def estimate_failure_cost(monthly_queries: int, error_rate: float,
                          avg_cost_per_error: float) -> float:
    """期望月度失败成本 = 查询量 × 错误率 × 单次失败代价"""
    return monthly_queries * error_rate * avg_cost_per_error

# 示例：选品助手，月查询1000次，错误率2%，单次误判成本¥10000
risk = estimate_failure_cost(1000, 0.02, 10000)
print(f"期望月度风险成本：¥{risk:,.0f}")  # ¥200,000
# → 这个风险成本远超技术成本，说明必须在质量保障上加大投入

关键洞察：当期望月度失败成本超过系统月度运营成本的 10%，说明当前的质量保障投入严重不足。

机会成本：没做的代价

机会成本通常被完全忽略，但在某些场景下是最大的成本：

情形	机会成本来源	估算方法
竞争对手先于你建成知识库	市场份额损失	竞品价格监控延迟 × GMV影响
决策支持缺失导致保守决策	保守选品的利润损失	（最优选品ROI - 实际选品ROI）× 期数
人工查询成本持续存在	不建库的持续人力浪费	人工时长 × 时薪 × 月数

治理成本：被遗漏的持续支出

治理活动	频率	单次成本估算	年度总计
黄金问题集维护	季度	4人时 × ¥150/h	¥2,400
评分器校准审计	季度	8人时 × ¥150/h	¥4,800
数据分级复审	半年	16人时 × ¥150/h	¥4,800
推断攻击演练	季度	8人时 × ¥150/h	¥4,800
知识负责人 OKR 对齐	月度	2人时 × ¥150/h	¥3,600
治理成本合计	—	—	≈ ¥20,400/年

治理成本的规律

治理成本约为技术成本的 10-20%，且基本不随规模线性增长。规模翻倍，技术成本翻倍，但治理成本只增加约 30-50%。这意味着大规模系统的治理成本占比会下降——但在小规模阶段，治理成本常被严重低估。

完整 TCO（总拥有成本）公式

text

月度 TCO = 技术成本 + 失败期望成本 + 治理成本月均摊 + 机会成本（如能量化）

年度 ROI = (节省人力成本 + 决策质量提升收益 - 年度 TCO) / 年度 TCO × 100%

完整 ROI 的前提条件（任一不满足则 ROI 低估）：

节省的时间被用于更高价值的工作（而不是被会议填满）
错误率控制在 L3 以下（否则失败成本会主导 TCO）
治理成本已被纳入预算（而不是靠志愿者时间维持）

验收契约

ACC-COST-001 已锁定 4 个本地成本用例，其中 3 个覆盖缓存越界、区域缺失和日期缺失的失败路径。当前复放为 4/4，且基线差异为 0；但输入仍是合成 fixture，价格与误差阈值未获 FinOps 批准，责任链与最终回执也未完成，因此 runnable / smoke-tested 不升级为可验收。

Acceptance gate · schema v1.0

本地复放通过，不等于最终接受

本地可复放: 1/1
已验收: 0/1

本注册表只裁决知识页面能否升级为本仓库的可验收内容，不证明生产部署、法律合规、预算批准或真实模型效果。当前复核日期 2026-08-02。

10 · 成本模型与预算管理ACC-COST-001审批受阻

固定集合4 例3 个负例

本地复放100%L2 · 零外部调用

基线差异0.0 pp未观察到退化

责任接受0/4最终回执缺失

固定输入与回归身份

数据集: ADS-COST-LOCAL-V1 · v1.0.0
数据边界: 合成 fixture，未获业务授权
基线回执: ACR-COST-LOCAL-V1
验收范围: 仅仓库内容 · productionReady=false

阈值复放与批准状态

用例通过率 实测 1 · ≥ 1 本地通过 · 示意阈值
外部调用 实测 0 · = 0 本地通过 · 示意阈值
外部副作用 实测 0 · = 0 本地通过 · 示意阈值

当前阻断

DATASET_NOT_BUSINESS_AUTHORIZED数据集尚非获授权业务样本
THRESHOLDS_NOT_APPROVED阈值仍是示意值，未获批准
OWNER_ACCEPTANCE_INCOMPLETE四类具名责任尚未全部接受
FINAL_RECEIPT_MISSING最终仓库内容验收回执缺失

下一证据使用目标供应商、区域、币种与真实负载建立获授权评估集，由 FinOps 与预算责任人批准误差阈值并签发仓库内容验收回执。

查看 10 章验收上下文

关键断言与证据

4 条试点断言 · 页面状态与断言证据分开计算

L0/L1/L2 只说明登记范围；不自动代表法律合规、生产可用或整章验收。

CLM-COST-001Fixture 验证

仓库成本 fixture 在登记的固定输入与价格假设下计算出的月度总额为 USD 135。

证据等级: L2 · Fixture / Dry-run
类型 / 风险: 计算结果 · 高
截至日期: 2026-08-01
责任链: 4/4 角色已映射 · 0/4 已接受

查看适用范围、限制与证据

适用范围: 仅适用于测试文件中的确定性输入，不是供应商报价或项目预算。
限制: 结果不包含未登记的税费、折扣、流量形态、汇率或基础设施变化。
下一动作: 为目标项目录入当日官方价格与真实负载假设，并保存新的独立回执。

责任链（角色映射）

内容维护成本模型内容负责人角色已映射 · 待具名认领
证据复核FinOps 证据复核人角色已映射 · 待具名认领
测试维护成本模型测试负责人角色已映射 · 待具名认领
最终批准财务与预算最终批准人角色已映射 · 待具名认领

角色映射只解决职责归属；具名责任人接受并留下回执前，不能据此宣称已审批。

本地证据

Deterministic cost-model fixture · fixtures/cost-model.mjsL2 · Fixture / Dry-run
Cost-model Node tests · tests/content/cost-model.test.mjsL2 · Fixture / Dry-run

CLM-COST-002Fixture 验证

成本 fixture 要求计算输入显式提供币种、区域和价格生效日期，并在输出中保留这些字段。

证据等级: L2 · Fixture / Dry-run
类型 / 风险: 接口契约 · 高
截至日期: 2026-08-01
责任链: 4/4 角色已映射 · 0/4 已接受

查看适用范围、限制与证据

适用范围: 适用于仓库内 estimateMonthlyCost 接口。
限制: 字段存在不等于字段值已经由供应商或财务负责人复核。
下一动作: 增加目标供应商价格快照和财务口径审批，再生成项目预算。

责任链（角色映射）

内容维护成本模型内容负责人角色已映射 · 待具名认领
证据复核FinOps 证据复核人角色已映射 · 待具名认领
测试维护成本模型测试负责人角色已映射 · 待具名认领
最终批准财务与预算最终批准人角色已映射 · 待具名认领

角色映射只解决职责归属；具名责任人接受并留下回执前，不能据此宣称已审批。

本地证据

Deterministic cost-model fixture · fixtures/cost-model.mjsL2 · Fixture / Dry-run
Cost-model Node tests · tests/content/cost-model.test.mjsL2 · Fixture / Dry-run

CLM-COST-003Fixture 验证

成本 fixture 在缓存输入 token 大于总输入 token 时拒绝计算并失败关闭。

证据等级: L2 · Fixture / Dry-run
类型 / 风险: 接口契约 · 高
截至日期: 2026-08-01
责任链: 4/4 角色已映射 · 0/4 已接受

查看适用范围、限制与证据

适用范围: 适用于仓库内 estimateMonthlyCost 的缓存口径校验。
限制: 该测试不覆盖供应商缓存资格、缓存命中统计真实性或生产账单对账。
下一动作: 对接真实账单前增加缓存命中来源、舍入规则和账单差异测试。

责任链（角色映射）

内容维护成本模型内容负责人角色已映射 · 待具名认领
证据复核FinOps 证据复核人角色已映射 · 待具名认领
测试维护成本模型测试负责人角色已映射 · 待具名认领
最终批准财务与预算最终批准人角色已映射 · 待具名认领

角色映射只解决职责归属；具名责任人接受并留下回执前，不能据此宣称已审批。

本地证据

Deterministic cost-model fixture · fixtures/cost-model.mjsL2 · Fixture / Dry-run
Cost-model Node tests · tests/content/cost-model.test.mjsL2 · Fixture / Dry-run

CLM-COST-004来源复核

API 价格是模型与时间相关的易漂移输入，且官方比较页分别呈现 input、cached input 和 output 计费维度，因此估算前必须刷新一手来源。

证据等级: L1 · 一手公开 / 只读观察
类型 / 风险: 外部事实 · 高
截至日期: 2026-08-01
责任链: 4/4 角色已映射 · 0/4 已接受

查看适用范围、限制与证据

适用范围: 该来源只支持 OpenAI API 的计费维度示例，不代表其他供应商或任何具体价格。
限制: 登记表刻意不复制数字价格；税费、区域、折扣、批处理和合同价仍需独立核对。
下一动作: 在每次预算评审时保存目标模型、区域和日期对应的官方价格快照。

责任链（角色映射）

内容维护成本模型内容负责人角色已映射 · 待具名认领
证据复核FinOps 证据复核人角色已映射 · 待具名认领
测试维护成本模型测试负责人角色已映射 · 待具名认领
最终批准财务与预算最终批准人角色已映射 · 待具名认领

角色映射只解决职责归属；具名责任人接受并留下回执前，不能据此宣称已审批。

来源

OpenAI API model comparison复核于 2026-08-01

来源与复核

烟测范围（2026-08-01）：仅 fixtures/cost-model.mjs 的参数校验、缓存 token 口径、币种 / 地区 / 日期保留和汇总公式通过 2 个本地测试；页面中的供应商价格与节省比例仍是待复核示意。
复核状态：最小成本 fixture 已烟测；任何易漂移的版本、价格、税费或折扣，采用前仍必须回到一手来源再次确认。
代码状态：仅上述 fixture 为烟测代码；其他片段继续按示意代码处理。
证据边界：本页成熟度只描述内容形态，不代表部署、上线或生产验收已经完成。
下一验收动作：按仓库根目录 content-audit.md 中本模块的证据缺口补齐来源、fixture 与验收回执。

第十章：成本模型与预算管理 ​

10.1 知识库全生命周期成本拆解 ​

10.2 月度成本计算器 ​

10.3 三档预算方案 ​

10.4 ROI 计算模型 ​

Year 1：建设期 ​

Year 2 / 3：成熟期 ​

10.5 成本熔断机制（cost_guard.py） ​

10.6 自进化成本监控 ​

10.7 成本优化 5 大策略 ​

10.8 价格参数与复核口径 ​

10.9 被遗漏的三类隐性成本 ​

隐性成本一：决策委托成本 ​

隐性成本二：规模临界点的非线性跳跃 ​

隐性成本三：组织迁移成本 ​

10.10 失败成本、机会成本与治理成本 ​

失败成本：出错的代价 ​

机会成本：没做的代价 ​

治理成本：被遗漏的持续支出 ​

完整 TCO（总拥有成本）公式 ​

验收契约 ​

关键断言与证据 ​

来源与复核 ​

第十章：成本模型与预算管理

10.1 知识库全生命周期成本拆解

10.2 月度成本计算器

10.3 三档预算方案

10.4 ROI 计算模型

Year 1：建设期

Year 2 / 3：成熟期

10.5 成本熔断机制（`cost_guard.py`）

10.6 自进化成本监控

10.7 成本优化 5 大策略

10.8 价格参数与复核口径

10.9 被遗漏的三类隐性成本

隐性成本一：决策委托成本

隐性成本二：规模临界点的非线性跳跃

隐性成本三：组织迁移成本

10.10 失败成本、机会成本与治理成本

失败成本：出错的代价

机会成本：没做的代价

治理成本：被遗漏的持续支出

完整 TCO（总拥有成本）公式

验收契约

关键断言与证据

来源与复核