Showing zh content.

七本账:AionRouter 与模型接入的总拥有成本

单价决定你付多少,结构决定你付几次

AionRouter 团队 ·

先算一笔账。

一条中等规模的业务线,每月 50 万次调用,每次 2000 token 输入、400 token 输出。如果用轻量模型,按公开单价算,月账单大约是 200 美元。换成主力模型,4000 美元;换成顶配,20000 美元。

再算另一笔:如果这条业务线直连五家上游,需要开五个账号、走五次付款流程、维护五套密钥、对五份账单、盯五个额度告警。按多数团队的实际情况,接入阶段每家要花半天到一天,之后每月还要花上几个小时处理版本变更、限流、对账。这些工作加起来,往往比 200 美元贵得多。

这就是模型接入最容易被忽略的事实:账单只是总拥有成本的一本账,而且在小规模场景里,它常常不是最厚的那一本。

这篇文章把剩下的六本也摊开。每一本都对应 AionRouter 的一个设计选择——不是功能清单,而是成本科目。

七本账的总览

科目 直连多家的形态 统一入口的形态 对应对接能力
开户与合同 每家一套账号、付款、密钥 一套 一个密钥、两条入口
集成与改造 每家一次联调、一套错误码 一次 协议兼容入口
日常维护 随上游数量线性增长 常数 分组、额度、留痕
试错与决策 需自建对比环境 参数级 一个参数、实时口径
闲置与预付 每家余额各自沉淀 合并 一个钱包
重复建设 自建路由、重试、监控 内置 网关本身
机会成本 迁移太贵,错过更优模型 低 低切换成本

七本账里,只有“调用费用”会出现在报价单上。剩下六本不会主动找你,但它们会在季度复盘、人员流动、故障归因的时候一起出现。

第一本:开户与合同

这一本最容易被低估,因为它分散在很多零碎动作里:注册、实名、绑卡、创建密钥、记住每家密钥的格式与权限模型。

AionRouter 把这一本压成一套:注册一次,创建一个以 sk- 开头的密钥,就拿到了当前在架 154 个模型的调用权限;入口只有两条,一条 OpenAI 兼容,一条 Anthropic 兼容。

账户、余额、用量、审计都在同一处。这一本账的直接效果是:当你要评估第五个模型时,不需要先完成第五次开户——评估的成本从“一次采购”降到“一次请求”。

第二本:集成与改造

第二本账的规模,取决于你的存量系统当初是怎么写的。

如果系统使用官方 SDK、只用标准参数、只解析标准返回结构,那么接 AionRouter 需要改的是三处:入口地址、密钥、模型名称。逻辑不动,服务不用重新部署。

如果系统里混着各家 SDK 的特有用法,这一本就会变厚。这也是 AionRouter 同时提供两条兼容入口的原因:让入口去适配代码,而不是让代码去适配入口。已经有 Anthropic SDK 的系统走 Anthropic 兼容入口,已经有 OpenAI SDK 的系统走 OpenAI 兼容入口,两边都不必为了“统一”而重写。

这一本账还有一个常被漏记的分项:验证成本。改完三处只是开始,证明行为没变才是工作量所在。AionRouter 的请求留痕把这件事变成可操作的比对——新旧链路的路径、模型、token、耗时、失败点都留档,而不是靠“看起来正常”。没有留痕的系统,这一本账会以“上线后两周的救火”形式补交。

第三本:日常维护

维护成本的可怕之处,在于它随上游数量线性增长,却从不出现在任何一张报价单上。

五个上游意味着五套限流规则、五种错误码语义、五份额度告警、五次版本变更通知。AionRouter 把这一本压成三件事:

密钥有结构。可以按项目分组、设置单次额度或无限额度、配置有效期、绑定 IP 白名单、一键复制完整配置。它的价值不在“管得细”,而在处置半径小:某把密钥泄露时,你停掉的是一个实验,还是一条业务线,取决于当初有没有分组。

额度集中配置。速率额度与价格属于同一套结构——标准分组的中位数约为每分钟 500 次请求、每分钟 100 万 token,折扣分组约为每分钟 1 万次请求、每分钟 1000 万 token。额度在一处,就可以按业务优先级分配,而不是等某个上游先把你挡住再补熔断。

路径可追溯。每一次调用走了哪条入口、落在哪个模型、消耗多少 token、耗时多久、失败在哪一步,都有记录。这一条平时不产生价值,在故障归因时决定你要花两小时还是两天。

第四本:试错与决策

这一本账分两部分:实验的花费,和判断的花费。

实验的花费其实很小。同样一批 1000 次请求,轻量模型约 0.4 美元,顶配模型约 40 美元——差一百倍,但都远低于一次误判的代价。真正贵的是判断:你要在同一批请求上比较不同模型,就必须保证除了模型之外,其他变量都一样。直连多家的架构里,换模型往往同时换 SDK、换参数含义、换错误处理,最后分不清差异来自模型还是来自集成方式。

在 AionRouter 里,模型是一个参数。同一个入口、同一个密钥,改掉名称就完成了切换。变量只有一个,结论才成立。

判断的花费还取决于数据的时效。今天的公开样本是 31 个模型,三天前是 39 个;请求耗时的中位数今天是 20.3 秒,三天前是 15.9 秒。样本与指标都在动,这意味着“上个月跑过一次评测”不足以支撑这个月的决策。而就在过去一周里,有模型的价格经历过两轮调整——降下去,又涨回来。任何手工维护的价目表,在这种节奏下都会过期,且不会告诉你它已经过期。

这就是“实时数据背书”的成本含义:它省下的不是查资料的时间,而是“基于过期信息做决策”的返工。

第五到第七本:三本隐形账

剩下三本,通常不会出现在任何预算表里,但它们真实存在。

**闲置与预付。**每家上游单独充值,余额就会在每家各自沉淀。五个上游、每家留一点缓冲,加起来就是一笔常年不动的资金。合并成一个钱包之后,缓冲只需要留一份。

**重复建设。**只要接了两家以上的上游,团队几乎必然会自建一层东西:路由、重试、限流、用量统计、失败告警。这些东西不难写,难在维护——而它们与业务无关。AionRouter 本身就是这一层,所以这一本账可以直接从预算里划掉。

**机会成本。**这一本最贵,也最难量化:当一个新模型明显更适合你的场景时,如果迁移要立项、要排期、要重跑评测,你很可能选择“再等等”。等到下个季度,市场已经换了两轮。切换成本越低,这种“因为麻烦而错过”的损失越小。

分水岭:TCO 的结构随规模变化

七本账的占比不是固定的,它随负载规模移动。而且移动的方向,取决于两个变量:调用量,和模型档位。

按每月 2000 token 输入、400 token 输出估算,同样是这批请求,落在不同档位上差距极大:

月调用量 轻量档月账单 主力档月账单 顶配档月账单
10 万次 约 $40 约 $800 约 $4,000
50 万次 约 $200 约 $4,000 约 $20,000
200 万次 约 $800 约 $16,000 约 $80,000

这张表说明一件事:**“要不要在意单价”不是一个规模问题,而是一个比例问题。**当账单只有几十美元时,五个上游的账号、密钥、对账、告警所需的人力,是它的几十倍,此时比拼单价没有意义;当账单到了几万美元,任何一个百分点的单价差都是真金白银,此时结构优化要让位于计量优化。

轻负载(月账单几百美元以内):调用费用几乎可以忽略,七本账里有六本是人力与组织成本。此时统一入口的价值最大——它砍掉的正是占比最高的部分。

中负载(月账单几千到一两万美元):两边的账开始接近。此时单价、缓存、输出长度这些工程手段重新变得重要,而治理能力决定故障成本。

重负载(月账单数万美元以上):调用费用压倒一切,优化重点回到计量本身——缓存命中、输出压缩、模型降档。AionRouter 在这一档的作用不是省钱,而是让“降档”可执行:一个参数就能把某个环节压到更便宜的模型,且成本可核算。

要判断自己落在哪一档,只需要数三个数:接了几家上游、每月为它们花掉多少人日、每月调用量乘上单价是多少。人日比账单大,结构就比单价重要;账单比人日大,计量就比结构重要。

换句话说:**单价越低,隐性成本占比越高;负载越轻,入口的结构性价值越大。**很多团队在轻负载阶段纠结“每百万 token 差几毛钱”,却忽略了自己每个月为多接一家上游付出的那几天人力——那是单价的几百倍。

这套账在什么时候不成立

七本账的算法有前提,说清楚它比不说更有用。

如果业务高度依赖上游的私有能力——批量接口、异步长任务、特定文件处理——第七本账(机会成本)会变小,但第二本账(改造)会急剧变大,因为迁移不再是配置级。

如果负载极重且对单价极其敏感,那么“合并账单”带来的收益可能被“失去直接议价空间”抵消。这时候需要算的是具体数字,而不是结构。

如果组织规模很大、已有成熟的平台团队与自建网关,那么重复建设那一本本来就已经付过了,AionRouter 的边际收益主要在实时数据与模型覆盖上,而不是省下自建成本。

AionRouter 能提供的是结构性的压缩:一套入口、一套治理、一份实时口径。它不能替任何一个团队决定自己的负载结构与组织成本。

结语:便宜的不是单价,是结构

回到开头那笔 200 美元的账。它之所以显得便宜,是因为只看了一本;它之所以可能变贵,是因为另外六本没有出现在任何地方。

AionRouter 做的事情,本质上不是把 token 卖得更便宜,而是把七本账里的六本压缩成常数:开户一次、集成一次、维护一套、试错一个参数、闲置一份缓冲、重复建设归零、机会成本降到“改一行配置”。

单价决定你付多少,结构决定你付几次。

—— AionRouter 团队

数据说明与口径

价格与成本测算:取自 AionRouter 模型广场的公开配置(截至 2026 年 11 月 19 日)。月度成本按每 2000 token 输入、400 token 输出、50 万次调用估算,未计入缓存命中与折扣分组,实际账单可能更低。

性能样本:链路上采集的 31 个模型的平均请求耗时与最近三个观测窗口的成功率。样本集与观测窗口随时间变化,跨日期比较仅供参考。

人工成本:文中“每家半天到一天接入、每月数小时维护”为经验区间,非实测数据,不同团队差异较大。

本文讨论的是成本结构,不构成对任何模型的评价,也不构成采购建议。