从1400美元砍到310美元：我的AI编程工具链瘦身全过程

上个月末，信用卡账单出来的时候我整个人都愣住了——1400多美元，清一色是各种AI编程工具和API的订阅支出。

更让人郁闷的是，钱是花出去了，活却还堆着。我手上那个内部工具项目，本来打算两周搞定，硬是拖到第四周还在跟bug较劲。到底哪里出了问题？我自己捋了一遍：Claude Code挂着Max套餐当主力，Codex留着做备选，Kimi和DeepSeek的API塞在脚本里跑批处理，本地还架着一套自己搭的Agent框架。工具多到我自己都搞不清楚每个任务应该交给谁去干。

这感觉就像灶台上架了八口锅，结果只为了炒一碗蛋炒饭，手忙脚乱。

于是我下定决心来一次彻底的“去肥增肌”——不是说要少用AI，而是要让每一分钱都花得有价值。以下是我这两周折腾的完整记录，摔过的坑我都一一标注了。

第一步：搞清楚钱究竟流向了哪里——让Agent自己来查账

我做的第一件事，就是写了个脚本，把过去30天所有的API调用日志拉出来，按照工具、模型、任务类型这三个维度做归因分析。

结果和我的直觉完全相反。

我本来以为主要开销是Claude Code那200美元的月费。但事实上，Claude Code的固定订阅只占了14%，真正吃钱的是另外三块：

• Codex的按次调用：我习惯拿它做代码审查，每次review大约消耗1.2万token，一天跑20次，一个月下来就是720万token，按当时的价格折算差不多380美元。
• Kimi的长文本分析：我用它来读技术文档和论文，平均每次输入8万token，一个月跑了90次，大约260美元。
• 自建Agent框架的“空转”：这个最要命。我那套框架设计得太过“智能”，每次任务启动前都要做一轮规划、一轮反思、一轮总结，三步走下来光元认知开销就吞掉了总token的35%。一个月下来，这笔“思考税”花了将近190美元。

这张图是我做完归因后的成本分布。留意那个“Agent元认知开销”，它不产出任何代码，纯粹是框架自己在那边“想”。

踩坑记录一：我最初想用GPT-4o来做这个归因分析，把日志丢进去让它给建议。结果它洋洋洒洒写了2000字，建议我“优化prompt结构”“考虑使用更高效的模型”——全是废话。后来换成DeepSeek-V3，同样的输入，它直接给我列了个表格，指出Codex的调用频次和任务复杂度不匹配，建议把简单review下沉到本地模型。成本从0.8美元降到0.03美元。

观点：让AI做数据分析，别用最贵的模型。DeepSeek和Kimi在结构化归因上完全够用，GPT-4o适合做最后的“人话翻译”，但不是必须。

重构工作流：把“一个全能Agent”拆成“三条专线”

搞清楚钱去哪之后，我开始动刀。

原来的架构是一个“全能Agent”扛所有活：规划、写代码、审查、测试、部署。听起来很酷，实际上每个环节都在互相污染上下文，而且一旦某步出错，整个链路重来，token全白烧。

我把它拆成了三条独立流水线：

第一条：代码生成线（Claude Code + 本地Qwen3-Coder）

Claude Code保留，但只做一件事：从需求描述生成第一版代码。我给它写了一个极简的CLAUDE.md，核心就三句话：

你只负责生成代码，不解释、不审查、不测试。
输出格式：代码块 + 一行依赖说明。
如果需求模糊，只问一个最关键的问题。

这个改动直接把Claude Code的单次输出token从平均4500降到1800。省下来的不是钱，是时间——我不再需要从一堆解释里扒代码。

本地Qwen3-Coder跑在M2 Max上，用Ollama托管，负责处理那些“改个变量名”“加个日志”的小活。这些任务原来也走Claude Code，现在本地跑，零边际成本。一天大概能拦截30-40次小请求。

第二条：审查与测试线（Codex + DeepSeek-V3）

Codex不再做全量review。我给它设了一个门槛：只有diff超过50行的PR才触发Codex审查。小改动走DeepSeek-V3的API，用同样的prompt模板，成本差了多少？Codex一次review约0.12美元，DeepSeek-V3约0.004美元。30倍。

但这里有个坑：DeepSeek的review质量在复杂逻辑上确实不如Codex。我的做法是，DeepSeek先跑一遍，标记出“疑似问题”，只有被标记的才升级到Codex。这样Codex的调用量从一天20次降到3-4次。

第三条：文档与知识线（Kimi + 本地RAG）

Kimi的长文本能力没得说，但我之前用得太粗放——每次都是全文喂进去。现在改成：先用本地RAG（我用的是LlamaIndex + BGE-M3嵌入）做一轮检索，只把最相关的3-5个片段喂给Kimi。平均输入从8万token降到1.2万token，成本降了85%，而且回答更聚焦。

这张图是重构后的工作流。三条线独立运行，只在最后的“集成测试”环节汇合。

踩坑记录二：拆流水线的时候，我犯了一个经典错误——让三条线共享一个“全局状态”。结果Claude Code生成的代码风格和DeepSeek的审查标准打架，DeepSeek把Claude Code的命名规范全标成“建议修改”。后来我加了一个“风格锚点”文件，三条线都读同一个配置，问题才解决。

观点：多Agent协作，最怕的不是Agent不聪明，而是它们太聪明且各执己见。给它们一个共同的“宪法”，比让它们自由协商高效十倍。

省钱的核心不是换模型，是控制“元认知开销”

拆完流水线，账单降到了大概600美元。但我觉得还不够。

我回头去看那个“Agent元认知开销”的190美元，发现问题的根源不在模型，而在我的框架设计。

我那个自建框架，每个任务都会走一个“规划-执行-反思-总结”的循环。设计的时候觉得这是“智能”的体现，实际上：

• 规划阶段：Agent会生成一个任务分解，但80%的情况下，这个分解和上一步的分解几乎一样。
• 反思阶段：Agent会检查自己的输出，但检查标准模糊，经常陷入“我觉得可以了”“但也许还能更好”的循环。
• 总结阶段：生成一段人类根本不看的总结。

这三个阶段，我全部砍掉。

替换方案很简单：用结构化输出代替“自由思考”。我给每个任务定义一个JSON schema，Agent只需要填充字段，不需要生成自然语言解释。

比如代码生成任务，schema就四个字段：

---