币安交易所官网

AI在企业内部的成本控制，正在从“砍预算”转向“改系统”。

Coinbase最近披露的一组内部调整数据，把这个变化讲得比较具体：在代币使用量持续上升的背景下，AI相关支出反而下降了近一半。没有压缩使用权限，也没有设限流规则，调整发生在更底层的结构里。

真正被动的是那套默认路径。

最先被动手的是模型选择。Coinbase把部分默认调用切到了GLM 5.2、Kimi 2.7这类开源权重模型。逻辑不复杂——在多数通用任务里，模型性能差异不再是成本差异的主要变量，调用结构才是。

一个细节是，91%的员工从未触及使用上限。这句话的潜台词其实是：问题不在“用得太多”，而在“用得不够聪明”。

工程团队做的另一件事更偏基础设施层面。系统开始对提示词做预处理，然后自动路由到不同模型。简单理解就是，把“一个大模型解决所有问题”的路径拆开：规划任务走一条链，执行任务走另一条链。模型不再是单一入口，而是分发节点。

这种拆分在AI工程体系里越来越常见，本质上是在把“推理成本”切成更细的颗粒度。

缓存层的改动更直观。LibreChat的缓存命中率从5%拉到60%，这个变化基本可以直接对应到成本曲线的陡降。很多重复查询不再重新调用模型，而是直接复用结果。听起来是工程优化，但在大规模调用场景里，这种优化往往比模型升级更有效。

还有一个不太显眼但影响结构的调整：上下文管理被压缩。切换任务时直接开启新会话，减少历史上下文依赖，同时缩小文件输入范围。对用户体验来说可能更“断裂”，但对成本模型来说更清晰——少带历史包袱，就少一层token消耗。

Coinbase同时做了一件看起来矛盾的事：增强支出可见性。工程师可以自由选择模型，但要对成本影响负责。这种设计更接近“内部定价机制”，而不是简单的预算管控。

企业在这里其实做了一次轻微的组织实验。AI使用从集中采购，转向分布式决策，但用成本反馈做约束。

放在更大的行业背景里，这种路径并不孤立。随着大模型调用进入企业级常态阶段，成本问题已经从“有没有钱用AI”，变成“怎么用AI不浪费”。优化空间也从模型本身，转移到调用结构、缓存策略和任务拆解方式。

换句话说，真正的降本不再发生在模型发布时，而发生在系统调用的每一层路径选择里。