同一需求四套模型实测：我如何把AI编程月成本从1800刀砍到260刀
9月初我打开Claude的账单页面，手是抖的。上个月，AI编程相关的API支出：12746元，约合人民币1800刀。我一个独立开发者，一个人一个项目，这个数对我来说不是"还能接受"，是"再不解决就得砍功能"的程度。
更要命的是，钱花出去了，效率并没有同步涨。很多任务明明DeepSeek跑一遍就能过，我却习惯性让Claude Opus硬啃，一个中等需求烧掉200万token，出来的代码还要我返工三成。那一刻我意识到：问题不是模型不够强，是我把强模型当万金油使，像用屠龙刀削苹果。
于是我花了两周，做了两件事：第一，把同一份真实需求分别丢给四套模型实测，拿到一手数据；第二，基于数据重构了一套"模型路由"工作流。这篇文章就是全过程记录，所有数字都是我自己账单里抠出来的。
一、先搞清钱烧在哪：一次账单解剖
动手之前我先做了归因，把上个月12746元的账单按任务类型拆开：
- 需求理解与方案设计（架构讨论、任务拆解）：约3100元
- 代码编写与修改（主力消耗，占大头）：约6800元
- 测试用例生成与补全：约1400元
- 代码审查、文档、commit信息这类"边角料"：约1446元
看出来了吗？真正需要顶级模型能力的，可能只有前两类的一半，甚至更少。 测试生成、文档、格式化、简单CRUD，这些活儿对模型来说难度是"及格线"级别的，我却一直在用顶配模型干。
更讽刺的是，我还发现了一个隐性浪费源：上下文反复重传。我每次新开会话就把整个仓库README、关键文件全贴一遍，Claude Code一次会话光上下文输入就吃掉40-60万token。Anthropic有prompt caching，缓存命中部分能便宜90%，但我之前压根没开，等于每次都付全价。就这一项，一个月白扔接近2000元。
结论先行：成本优化的空间不在"换个便宜模型"，而在任务分级 + 缓存 + 减少无效上下文三件事上。
二、实测：同一份需求，四套模型各跑一遍
我选了三个真实任务做基准测试，难度递增：
- T1（简单）：给一个FastAPI项目补登录接口的单元测试，约30个用例
- T2（中等）：实现一个带重试、限流、熔断的HTTP客户端模块
- T3（困难）：给现有单体项目做模块拆分方案，要求给出依赖分析和迁移步骤
参与测试的：Claude Opus 4.6（顶配）、Claude Sonnet 4.6、GPT-6（Codex CLI）、DeepSeek V4、Kimi K3。每个任务跑3次取均值，统一用相同的system prompt和仓库上下文，用脚本统计token消耗，人工盲评代码质量（先不知道是谁写的）。
直接上数据：
| 模型 | T1耗时 | T2耗时 | T2输入token | T2输出token | T2成本(¥) | 代码一次通过率 |
|---|---|---|---|---|---|---|
| Opus 4.6 | 3分10秒 | 11分40秒 | 18.2万 | 5.6万 | 21.3 | 83% |
| Sonnet 4.6 | 2分50秒 | 9分20秒 | 17.8万 | 5.2万 | 8.9 | 75% |
| GPT-6 / Codex | 3分30秒 | 10分10秒 | 19.5万 | 6.1万 | 11.7 | 72% |
| DeepSeek V4 | 2分20秒 | 8分40秒 | 16.9万 | 5.8万 | 1.6 | 61% |
| Kimi K3 | 2分40秒 | 9分50秒 | 18.0万 | 5.9万 | 2.1 | 64% |
几个反直觉的结论：
第一，顶配模型的优势没有价格差距那么夸张。 Opus 4.6的一次通过率比DeepSeek高22个百分点，但成本高13倍。换算成"通过一次测试的总花费"：Opus约25.7元/次通过，DeepSeek约2.6元/次通过。就算DeepSeek多失败两次要重跑，还是便宜一个量级。当然，返工的成本不只是token，还有我的时间和心情——这就是后文路由策略要解决的张力。
第二，T1这种简单任务，五个模型通过率差距不足8%，耗时差距不到1分钟。 用Opus写单元测试，纯属行为艺术。这类任务我测下来DeepSeek最划算，Kimi K3在长上下文仓库理解上反而有惊喜（它的上下文窗口利用率是几个里最实在的），但写代码的"听话程度"略逊。
第三，T3架构任务，Opus是真的断层领先。 依赖分析准确率Opus约92%，Sonnet 81%，GPT-6 78%，DeepSeek只有63%——它漏掉了两个循环依赖，给出的迁移顺序会直接编译失败。这个任务上我认账：该花的钱得花。"省成本"不是"用最便宜的"，是"最贵的只用在刀刃上"。
踩过的坑也记录一下：
- Codex CLI的agent模式默认上下文管理偏保守，T2任务里它反复重新读取同几个文件，输入token比别家高10%，记得在配置里把
context_compaction调激进一点 - Kimi K3的API偶发首token延迟冲到8秒以上，写路由时得加超时降级逻辑，不然交互体验崩
- DeepSeek V4写Python类型标注偶尔会"幻觉"出不存在的库，我加了一条规则：生成代码必须能
pip install验证，失败自动重试
三、方案：搭一条"模型路由"流水线
基于实测数据，我把工作流拆成了三层路由：
核心思想一句话：按任务难度和失败代价分派模型，而不是按心情。 具体规则（可以直接抄）：
任务分级规则（写入项目的 AGENTS.md）：
L1 机械任务：测试补全、格式化、rename、commit信息、文档
→ DeepSeek V4（成本0.02-0.05元/次）
L2 常规编码：CRUD、接口实现、小功能、bug修复
→ Kimi K3 或 Sonnet 4.6（成本0.5-3元/次）
L3 架构任务：模块拆分、并发设计、技术选型、复杂重构
→ Opus 4.6（成本5-25元/次），Sonnet做初稿、Opus做评审可省40%
兜底规则：L2/L3任务失败后自动升级模型重试一次，再失败才转人工
工程实现上，我没有自己造轮子，是组合现成工具：
- 主力IDE内：继续用Claude Code，但在
.claude/settings.json里配了subagent分流，让Sonnet子agent干L1/L2，主agent（Opus）只处理被升级上来的任务 - CI里的批量任务：测试生成、静态修复这类走脚本直接调DeepSeek API，一条命令批处理几十个文件，这是成本下降的最大功臣
- Prompt caching全部强制开启：Claude系列缓存命中部分便宜90%，DeepSeek的context caching便宜75%。我会话开头固定放一份"项目宪法"（约1.2万token，含编码规范、目录结构说明），实测缓存命中率从上个月的11%拉到82%
- Codex CLI作为第二意见：架构任务让Codex独立出方案，两边对拍，分歧点才是我真正需要动脑的地方。这个"双模型交叉评审"每个月多花150元左右，但帮我避开了至少两次方向性错误，性价比极高
另外一个大杀器是减少上下文投喂。以前我是"整个仓库塞进去"，现在是：先跑一遍repomix生成结构化仓库摘要（只带关键文件全文，其余只留签名），一次会话的输入token从45万降到12万左右，降幅73%。信息密度反而更高了，因为模型不用在一堆无关文件里大海捞针。
四、一个月后的账单，以及哪些是真智商税
9月17日我拉了新账单，改造上线满30天：
- 总支出：1873元（上月12746元），降幅85.3%
- 按当时汇率约合262刀（上月约1800刀）
- 平均每个工作日的AI编程成本从约580元降到85元
- 更关键的：交付速度没降反升。因为L1任务批处理化，原来我手动盯着跑测试生成的两小时，现在脚本挂着就行；我的时间解放出来，需求吞吐大概提升了1.8倍
- 质量指标：一次通过率从71%涨到79%（路由兜底升级机制减少了"便宜模型硬扛失败任务"的情况）
关于什么值得折腾、什么是智商税，我态度很明确：
值得折腾的：prompt caching（配置一次永久受益，这是纯捡钱）、任务分级路由（两周搭建成本，一个月回本）、上下文瘦身（repomix这类工具十分钟上手）。这三个组合拳占了我降本的90%。
智商税/别碰的：所谓的"万能Agent编排平台"，卖你几百刀一个月，底层就是帮你调几个API，规则还不透明——路由逻辑写成markdown规则文件，免费且你自己可控；某些"自动评估模型质量"的付费服务，自己拿20个真实任务做基准，一小时搞定，数据还更贴合你的场景；以及盲目囤各家订阅会员，实测下来按需API + 两个订阅（Claude Pro + 一家便宜的）是最优组合，全订等于给五家公司同时交月租但只用其中两家。
清单时间，直接抄：
- 先解剖账单：按任务类型归因，找到最贵的那30%任务，大概率它们不配
- 挑3个真实任务做基准测试，用你自己的代码库测，别看别人的排行榜
- 按L1/L2/L3分级，写进AGENTS.md或项目规则文件，让工具链自己分流
- 强制开启所有能开的prompt caching，固定上下文开头，目标命中率80%以上
- 用
repomix或类似工具给仓库瘦身，把单次会话输入token压到15万以内 - 架构级任务保留顶配模型，甚至可以双模型对拍，这笔钱是保险不是浪费
- 加失败自动升级机制：便宜模型挂了自动升档重试，避免"省钱变烧钱"
- 每月复盘一次账单和路由命中率，规则用数据迭代，不靠感觉
- 别买万能编排平台，路由逻辑300行markdown就够
- 留一个"人工兜底"开关：连续两次自动重试失败的任务，停下来自己看，这是防AI把错误规模化放大最后的闸门
说明：文中成本、token消耗、耗时及通过率等数据来源于本人项目API账单统计与个人基准测试记录，结合公开行业报告综合整理，部分数值为估算仅供参考。