花得多曾是好消息
2026 年初,团队把 AI 花销当成进度条;几个月后账单到了,这套逻辑塌了。
当时的算法很简单:花的 token(AI 读写文字时切分出的小块,厂商按块数计费)越多,说明 AI 干的活越多、撬动的杠杆越大,说明这笔投入押对了。
然后账单来了。花销从证据变成了负债——因为没人能反过来验证它挣没挣回来。一位中型创业公司的工程负责人告诉 LangChain,团队的编程 agent(能自己拆解任务、连续写代码的 AI 程序)账单两个季度涨了六倍,不是因为活变难了六倍,是因为没人盯着。
同一时间的三个现场:Uber 四个月烧完了 2026 全年的 AI 预算,微软在各部门收回 Claude Code 的授权,Salesforce 面前摆着一张三亿美元的 Anthropic 账单。
一个功能,三份账
真正的麻烦不是数据不够,是各家工具的账根本对不上。
一个功能常常是这样做出来的:用 Claude Code 写出初版,用 Cursor 做行内修改,同事再用 GitHub Copilot Chat 过一遍。三个工具都记了账,但记法完全不同——Copilot 吐的是 OpenTelemetry 格式的运行记录(一种通用的程序日志标准),Cursor 和 OpenCode 靠 hook(在关键动作发生时自动触发的小钩子)各写各的,Pi 要另外装插件。
结果是 Claude Code 里的一次工具调用和 Cursor 里的一次工具调用,压根不是同一种记录。你没法把它们并排摆开,问一句哪个更值。
这个坑在只用一个工具时完全看不见,而团队几乎不可能只用一个工具:工程师会挑最顺手的那个,不同任务挑不同的,这件事发生得比谁都快。
看见、拉齐、优化、管住
LangChain 把治账单拆成四步:先看见钱花在哪,再把各工具的口径拉齐,然后找出具体浪费,最后设上限管住。
第一步是把六种编程 agent——Claude Code、Codex、Cursor、GitHub Copilot Chat、Pi、OpenCode——的会话记成同一套格式,用同一套字段查:按会话线程、模型、供应商或工具名筛,找出哪些会话最贵、哪些工具调用一直在报错。
口径拉齐之后才谈得上比较。每次会话烧了多少 token、调了几次工具、派出了几个子 agent,都换算成同一把尺子,你才能说 Cursor 和 Claude Code 在同一个流程上谁更划算。
第三步是真正省钱的地方,也是大多数团队卡住的地方:没人有精力逐条翻会话找浪费。LangChain 的 Engine 干的就是这件事——比如一个 agent 在同一次会话里反复调工具取同一份资料,它会标出来,建议合并。给你的不是"本月花超了",而是"这一处改掉"。
最后是闸门:LangChain 的 LLM Gateway 可以在个人、团队、组织三级设上限。四个环节咬在一起,看见告诉你该在哪优化,优化告诉你闸门该卡在哪,闸门守住成果,下一轮看见的才是真进展,不是新的浪费。
让便宜模型干粗活
LangChain 的判断是:开源模型已经够好也够便宜,该成为多数日常任务的默认选项,而不是应急备胎。
开源模型(权重公开、谁都能自己部署的 AI 模型,价格通常远低于顶级闭源模型)的定位在变。LangChain 说 Gateway 很快能按任务把请求分流到开源模型——不是到处替代前沿模型,是把不需要前沿智力的活分出去。
子 agent 是最直白的场景:范围明确的杂活交给便宜模型,主模型就不必拿最贵的算力去做搬运工的事。
换句话说,省钱的抓手不只是"少用",还有"用对档位"。同一件事,你先得知道它值不值最贵的那一档。
谁现在就该动手
只用一个工具、自带面板够用的团队现在还不必加这一层;但第二个工具一进来,原生面板就答不了"钱到底去哪了"。
这套东西的适用门槛很实在:它是给同时跑多个编程 agent 的团队做的。LangChain 说,按客户反馈,大多数团队在开始用 AI 编程的几个月内就会变成这种状态。
也要说清楚:这是 LangChain 讲自家产品的文章,四个环节对应的正好是它自己的三样东西(LangSmith、Engine、LLM Gateway)。但它描述的痛点不是编出来的,原文里承认这问题是他们自己先撞上的:
账单一直在涨,而我们对哪些活值这个价,没有清晰的判断。
值得拿走的不是它卖什么,是它给出的顺序:先解决"看得见",再谈"省钱"。反过来做——先砍预算、先禁工具——你砍掉的到底是浪费还是产出,自己也说不清。微软在各部门收回 Claude Code 授权,砍得准不准,外部没有任何人能判断。