有效结果成本

把系统费用与人工复核返工成本除以通过验收的任务数。

每百万token单价只能描述模型计费的一部分，不能代表Agent完成工作的真实成本。有效结果成本应把系统费用和人工复核返工成本合计，再除以通过验收的任务数。失败、重试、judge和子Agent都属于为获得结果付出的成本，不能被排除后展示便宜。

一次Run的费用可分模型普通输入、缓存读、缓存写、输出、工具与搜索、数据许可、计算、存储和网络。按供应商账单互斥分类，避免将cache_write同时计入普通输入；不同模型的usage字段与价格合同可能不同，要通过adapter保留原始分类并对账。

人工时间往往决定商业价值。便宜模型可能多生成错误表格、需要专家补证或返工；高档模型若减少这些工作，整体更经济。反过来，高档模型用于简单分类未必划算。比较应在相同任务范围、质量门槛和外部数据许可下进行，而非拿一个简化demo与完整生产系统比。

成本还包括框架接入、权限与加固、评测、数据迁移、日常运维、升级回归和退出。托管harness减少部分基础设施人力，可能增加供应商状态耦合；整仓fork看似启动快，却要持续承担上游同步和兼容。工时与现金分列，对未知项给范围，不虚构精确人日。

业务指标不能全部压成美元。金融投资结果受市场与风险暴露影响，教育学习增益需后续观察，法律错误可能有长尾后果。费用报告同时显示严重错误、覆盖、人工分钟和用户完成率，而不是用一个总分掩盖高风险失败。

使用代表性负载的trace、账单与人工记录估算，并做预算敏感性分析。若验收标准改变，分母也改变，应保留版本。优化的目标是以可接受风险得到更多有效结果，而不是让单次调用看起来更省。

实践重点：计算模型、缓存、工具、数据许可、沙箱、judge、子Agent和人类分钟。

验证抓手：使用trace与账单对账，并同时报告质量和严重错误。

常见误区：只比较每百万token单价，忽略失败和返工。

OpenAI：Prompt caching；OpenAI：模型目录。