企业官网建设流程全解析

版权与内容来源声明
本文为原创整理。文中涉及官方文档、开源仓库、论文与公开报道的内容，均在附表 A 中标注来源；引用官方原文保持原样，不作改写。文中命令、版本号与界面截图以本文成文时的实测/核验结果为准，标注「待验证」的部分请以你本地环境实际输出为判断依据。本文不推荐任何不合规的软件获取方式，也不对任何收益结果作承诺。转载请注明出处。

一、「一天多少钱」这道题，考官在听什么

面试官问「这个功能上线后一天大概花多少钱」，多半不是想听一个精确到分的数字。他自己也清楚单价会调整、用量会波动。他想听的是：你有没有把这件事拆开过，以及你知不知道自己在哪里不知道。

传统技术岗转过来的候选人，最容易在这里吃亏。写代码的能力不缺，业务理解也不缺，缺的是「把一次模型调用当成一次计费事件来看」的习惯。这个习惯不需要算法背景，只需要在写第一版的时候就认真读一遍响应里的usage字段。

1.1 三个隐性评分点

第一个是拆得开。费用由输入、输出、缓存命中、重试四块构成，能不能分开说，决定了他判断你是「听过」还是「算过」。

第二个是量过。真实项目里，token 数不是猜出来的，是把messages拼好之后数出来的，或者从上一轮响应的usage里读出来的。说得出字段名的人，通常真的调过。

第三个是有边界意识。max_tokens是上限不是预估、缓存会过期、失败重试会重复消耗输入，这三件事只要提到一件，可信度立刻不同。

1.2 为什么「不贵」是坏答案

「不贵」这两个字的信息量是零，而且会把话题引到一个你控制不了的方向：面试官接着问「那大概多少」，你还是得算，只是气势弱了一截。

最后一行那句「95 分位」很关键。成本不是平均值问题，长尾才是。同一批请求里，少数超长输出会把日成本抬得很明显，按平均值算出来的数在真实账单面前总是偏低。

1.3 一个能直接用开场句

「我先把假设摆出来：一天大约多少条提问、一次会话平均几轮、检索片段多长；然后按输入、输出、缓存、重试四块算，最后给一个区间而不是一个点。」

这句话说完，评分点基本都摆到桌面上了。后面哪怕数字估偏，方法分也拿到了。

二、第一行：输入 token 与输出 token 分开列

2.1 输入不只是用户那句话

新手最常见的低估，是拿用户提问的长度当输入长度。真实的一次请求，输入至少由四块拼成：

• 系统提示：角色设定、输出格式约束、拒答规则；
• 工具定义：函数名、参数 schema、描述。这块最容易被漏掉，而它往往比系统提示还长；
• 检索片段：RAG 场景里每轮拼进去的文档块，长度随召回条数变化；
• 对话历史：前面所有轮次的提问和回答，原样重发。

判断自己有没有漏：把发给模型的messages里所有content加起来，再单独加上tools数组序列化后的长度。两笔都算，才算完。

这一条在真实项目里经常反过来咬人。工具定义是结构化 JSON，字段名、类型、描述中英混排，token 效率比自然语言差；一个接了十来个工具的应用，光工具定义就可能顶掉几千 token，而且每一轮都要重发。所以被问到「输入为什么这么大」，先答「工具定义占了多少」，比答「用户问得长」更接近真相。

2.2 两家字段名不同，结构是同一套

输入、输出、缓存这三类信息，两家都会在响应里返回，只是叫法不一样。下表是本文核验到的字段名（核验方式见附表 A）。

把这张表记住一半就够用了：输入一个字段、输出一个字段、缓存两个字段。有这四项，四行草稿就能写三行。

⚠️代码待验证

"""一次请求里把「输入 / 输出 / 缓存」三类数各取一遍；明细字段可能是 None，取值前要判空。"""fromopenaiimportOpenAIimportanthropic oa=OpenAI()r=oa.chat.completions.create(model="<你的模型名>",messages=[{"role":"system","content":SYS},{"role":"user","content":q}],)u=r.usage cached=u.prompt_tokens_details.cached_tokensifu.prompt_tokens_detailselse0reason=u.completion_tokens_details.reasoning_tokensifu.completion_tokens_detailselse0print(f"输入{u.prompt_tokens}（命中缓存{cached}）/ 输出{u.completion_tokens}（推理{reason}）")cl=anthropic.Anthropic()m=cl.messages.create(model="<你的模型名>",max_tokens=512,system=[{"type":"text","text":SYS,"cache_control":{"type":"ephemeral"}}],messages=[{"role":"user","content":q}],)print(f"输入{m.usage.input_tokens}（写缓存{m.usage.cache_creation_input_tokens}/ "f"读缓存{m.usage.cache_read_input_tokens}）/ 输出{m.usage.output_tokens}")

上面这段里cache_control的写法、以及各参数是否还能这么传，请以官方 reference 为准（截至 2026-10-20 核验）。

响应里的结构大致长这样（数值是假设，用来看字段层级）：

{"usage":{"prompt_tokens":2060,"completion_tokens":200,"total_tokens":2260,"prompt_tokens_details":{"cached_tokens":800,"cache_write_tokens":0},"completion_tokens_details":{"reasoning_tokens":0}}}

2.3 输出为什么一定要单列

三个原因，一条比一条硬。

单价不同。输出单价普遍高于输入，具体倍数以官方定价页为准（截至 2026-10-20 核验）。你按输入价乘总 token，结果一定偏低。

推理 token 也算输出。官方 SDK 的字段注释里写得很直接：推理消耗的 token 仍然计入用于计费的输出 token 总数。也就是说，一个「只输出两行字」的答案，背后可能花掉几千 token 的思考量。

输出的总数字段才是计费口径。Anthropic 的output_tokens_details注释里写明，output_tokens仍然是「inclusive, authoritative total used for billing」，明细对象只是给可观测性用的拆分。别拿明细去算钱，拿总数。

这一节的判据只有一句话：报价时先说「输入多少、输出多少」，再乘单价。顺序反了，后面全错。

三、第二行：多轮对话里上下文是累积的

3.1 第 N 轮比第 1 轮贵在哪

模型没有记忆。所谓「多轮对话」，是客户端每一轮都把之前的提问和回答重新拼进messages再发一次。于是第 N 轮的输入里，除了固定的系统提示和检索片段，还多了一份越来越长的历史。

设系统提示与工具定义合计 S，检索片段 R，每轮用户输入 u，每轮输出 o，那么：

• 第 N 轮输入 ≈ S + R + N·u + (N−1)·o
• N 轮输入总量 ≈ N·(S+R) + N(N+1)/2·u + N(N−1)/2·o

看第二行就能明白问题在哪：总量里有一项是 N²。轮数翻四倍，输入总量大致涨十几倍，而用户感知到的只是「聊得久了点」。这是成本估算里最容易漏掉的一层，也是面试里最能体现「真的跑过」的一层。

3.2 跑一遍，看数字长什么样

下面这个脚本只算 token 账，不含任何单价，避免把「单价」和「用量」混在一起。

python work/2026-10-20-03_成本草稿.py--sys800--rag1200--user60--out200--rounds5

在本机实际跑出来的结果（输入参数是假设值，用来演示结构）：

第 1 轮：输入 2060（其中历史 0）+ 输出 200 第 2 轮：输入 2320（其中历史 260）+ 输出 200 第 3 轮：输入 2580（其中历史 520）+ 输出 200 第 5 轮：输入 3100（其中历史 1040）+ 输出 200 5 轮输入合计 12900，输出合计 1000，总计 13900 第 5 轮输入 / 第 1 轮输入 = 1.50 倍

这组数字里有两件事值得盯住。

第一件是固定部分有多大。2060 里，系统提示 800 加检索片段 1200 就占了 2000，历史只占零头。也就是说，轮数少的时候，成本几乎全由「每轮都要重发的固定前缀」决定，而这块恰好是缓存能救的部分。反过来，历史占比越高，说明会话越长，这时候该考虑的就不是缓存，而是截断和摘要。

第二件是叠加效应的形状。拿单轮 2060 乘 5 得 10300，而实际输入合计 12900，差 2600，低估约两成半；如果只算「输入 × 轮数」而忘了输出那 1000，缺口更大。轮数越往上，缺口张得越快，20 轮的会话里，误差会大到没法用嘴圆回来。

换句话说，多轮场景的成本曲线不是一条直线，是一条向右上弯的曲线。面试时能说清「它为什么弯」，比背一个具体数字有用得多。

3.3 三种控量手法的代价

轮数压不住的时候，通常有三条路，每条都有明确的代价。

滑动窗口截断。只保留最近 k 轮。代价是模型会忘记更早的约定，比如用户第 2 轮说的「不要用表格」，第 8 轮就失效了。适合问答型工具，不适合任务型会话。

摘要压缩。把早期历史压成一段摘要再放进去。代价是多一次模型调用（这次调用的费用要算进总账），而且摘要会丢细节。适合长会话，但摘要提示词本身也是一笔固定的输入成本。

每轮重取检索。不传历史，只传检索结果。代价是代词消解会崩，「它」指什么模型不知道。适合单轮查询，不适合追问。

判据可以很土：如果用户在第 3 轮之后提出「重新来」，说明上下文其实没被用上，那就该截断；如果用户频繁用「刚才那个」，就必须留历史，改从输出长度和模型档位省钱。

四、第三行：缓存命中与未命中是两条价

4.1 同一段系统提示，只有第一轮是未命中

这是全场最值钱的一句话。系统提示、工具定义、固定的 few-shot 示例，在多轮里逐字不变；第一次请求时它们要被当作输入处理并写入缓存，从第二轮开始，同一段前缀按「缓存读取」计价。

写入溢价和命中折扣的具体数字，两个厂商、每个模型都不一样，而且会调整，本文不写死。一律以官方定价页为准（截至 2026-10-20 核验）；算的时候把它当成两个独立单价代进去就行。

4.2 缓存不是自动的，也不是永久的

官方口径里有几个细节，直接决定你在面试里能不能接住追问（以下为官方域名检索与官方仓库源文件核验结果，页面直连情况见附表 A）：

• 输入要够长才进入缓存机制。OpenAI 的公开说明是提示词超过 1024 token 才自动生效，按 128 token 为增量匹配「最长公共前缀」。
• 缓存有生命周期。OpenAI 的说明是 5 到 10 分钟不活动后通常被清理，最迟在最后一次使用后一小时内移除；Anthropic 的定价口径按 5 分钟 TTL 计，另有更长 TTL 的选项。
• 前缀必须逐字一致。工具定义改了描述、schema 顺序调了、系统提示多了一个空格，都可能让命中中断。官方在缓存诊断里给的原因之一就是「工具变了」。

由此得到一条可执行判据：把稳定的内容放最前面并按固定顺序序列化，把每轮变化的内容（检索片段、用户输入）放最后。顺序反了，缓存等于没有。

这里有个真实取舍要说清楚：把检索片段放在系统提示之前，命中率会更差，但有时效果更好，因为模型更容易把检索内容当成主要依据。成本与效果在这一处是冲突的，没有统一答案。能说清「我知道这里在拿什么换什么」，比给一个标准答案更像做过事的人。

4.3 面试里怎么说这一条

差的说法是「有缓存会便宜一点」。好的说法是：

「同一段系统提示只有第一轮是未命中，之后每轮按命中价；但检索片段每轮都变，命中只能覆盖到它之前的部分。所以我的优化动作是把工具定义和固定指令钉死在最前面，并且保证序列化顺序不变。」

这段话里有机制、有边界、有动作，三样都在。面试官再追问「命中率怎么保证」，你也有东西可答。

五、第四行：max_tokens是上限，不是预估

5.1 官方原文怎么说

Anthropic 的max_tokens参数在官方 SDK 里的说明是：

The maximum number of tokens to generate before stopping.

Note that our models may stopbeforereaching this maximum. This parameter only specifies the absolute maximum number of tokens to generate.

OpenAI 的对应参数max_completion_tokens的说明是：

An upper bound for the number of tokens that can be generated for a completion, including visible output tokens and reasoning tokens.

两句话说的是同一件事：这是天花板，不是预期值。顺带一提，OpenAI 的max_tokens在官方 SDK 里标注为 deprecated（不推荐继续使用），新代码应改用max_completion_tokens。这一点在面试里被问到「你怎么设输出上限」时，是加分细节。

5.2 拿上限乘单价，会错多少

假设你把max_tokens设成 1024，实际平均输出 200 token，按上限算就把输出成本放大了五倍。反过来，设得太小也不行：推理消耗的 token 计入这个上限，上限压到 256，长一点的答案会在中途被截断。

判断有没有被截断，看结束原因就行。OpenAI 的finish_reason里，length表示撞到了长度上限；Anthropic 对应的是stop_reason为max_tokens。这两个值出现得频繁，说明你的上限或者提示词里的长度约束需要调。

所以第四行要写两个数：平均输出长度（用来算钱）和max_tokens设置值（用来说明你怎么控制最坏情况）。两者写在一起，才叫「上限是上限，预估是预估」。

5.3 余量留给谁

余量不是留给「模型话多」，是留给工程现实。三件事会让实际请求数高于用户提问数：

• 重试：超时、限流、网络断开后重发，输入会再算一遍；
• 工具循环：一次问答里模型可能连续调用两三次工具，每次都是一次完整请求，而且上下文越滚越长；
• 流式中断：前端断线重连，如果没有做幂等，等于白付一次。

⚠️代码待验证

defdaily_cost(n_user,rounds,sys_t,rag_t,user_t,out_avg,retry_ratio,p_in,p_out,p_cache):"""四行草稿合成一个函数；单价由调用方从官方定价页填入。"""req=n_user*rounds*(1+retry_ratio)# 请求数含重试avg_hist=(rounds-1)/2*(user_t+out_avg)# 平均历史长度in_t=sys_t+rag_t+user_t+avg_hist miss_t=sys_t+rag_t# 固定前缀：首轮未命中hit_t=in_t-miss_t# 其余部分按命中价cost=(miss_t/1e6*p_in+hit_t/1e6*p_cache+out_avg/1e6*p_out)*reqreturn{"请求数":round(req),"单次输入":round(in_t),"日成本":round(cost,2)}

这个函数刻意没有给单价默认值，也没有把缓存写入费用摊进去。写入只在建立缓存的那一次发生，量小但单价高，报数时提一句「另有一次性写入成本」比漏掉更稳。

成本草稿脚本与配套资料：本章那个把四行草稿跑成数字的脚本、以及本文用到的字段对照，都放在资料包里，扫码即可获取：

六、四行草稿写出来是什么样

6.1 一张纸上的四行

四行写完，通常不到半张 A4。它的价值不在于精确，而在于每一行都能被追问，且都有对应的字段或日志。

6.2 现场说的顺序

先说假设，再说四行，最后给区间。这个顺序不是礼节，是防守：假设摆在前面，面试官要反驳就会先反驳假设（比如「我们一天只有两百次提问」），而不是直接判你算错。你也顺势可以说「那按两百次，日成本大概在这个区间」。

区间怎么给：把输出长度按平均值和 95 分位各算一次，两个数就是区间的上下沿。这个做法在工程上叫敏感性分析，说起来很朴素——成本对什么最敏感，就先说那个。绝大多数场景里，最敏感的是轮数和输出长度，不是单价。

如果对方说「你就按现在这套参数算」，那更好办：把本文那个脚本的参数换成他给的数，跑一遍，把输出念出来。数字准不准是次要的，过程可视才是主要的——他会看到你不是在背结论，而是在算。

6.3 三种追问，怎么接

第三问是陷阱题。很多人条件反射答「那就十倍」，实际要拆的是「用户数」和「单会话 token」两个乘数，而后者往往才是主导项。

七、会算之后，账为什么还是对不上

7.1 四个常见原因

第四条最容易被忽略。厂商会调整单价、调整缓存折扣、推出新档位，你的估算表如果写死了数字，半年后就是错的。所以正确的做法是把单价做成配置，把算法写成公式，单价变了只改一处。

还有一个笨办法值得坚持：每周把日志里的usage汇总一次，和账单对一遍，差得多的那一周去翻变更记录。做上三个月，你对自家业务的单位成本会有肌肉记忆，面试时说出来就是具体的，不是「大概不贵」。

7.2 面试前能自己做的四件事

第一，把两家 SDK 里usage相关的类型定义文件读一遍。字段名和注释都在里面，比二手教程可靠，而且读源码这件事本身就是信号。

第二，写一个只算 token、不算钱的脚本，把「单轮 / 多轮 / 缓存」三种情况各跑一遍。本文那个脚本四十来行，够用了。

第三，找自己做过的一个功能，把一次请求按系统提示、工具定义、检索片段、历史四块拆开估一遍，估出来的数字和直觉差多少，记下来——面试时这就是你的例子。

第四，准备一句兜底话：「具体单价我不敢报，因为会调整；但我知道在哪查、怎么代进公式，十分钟能给一个区间。」这句话不露怯，反而显得靠谱。

岗位能力自查清单与配套资料：本文的四行草稿模板、字段对照表和自查清单都放在资料包里，扫码即可获取：

附表 A：本文引用事实与出处对照表

附表 B：术语速查表

写在最后：这篇用到的资料

写这篇文章时，把相关的官方文档和源码又翻了一遍，顺手也整理了几份配套的东西：

• 大模型学习路线图：从零基础到能自己动手做 Agent，按阶段说明每一步该学什么、哪些可以先跳过
• 《LangChain + LangGraph + MCP 智能体开发实战》视频课：7 个模块，从私有化部署、Embedding+RAG 到 MCP+Agent 全流程
• AI 大模型知识库（在线可查）：Agent Skills 从入门到落地、Claude Skills 完全指南等专题，按目录浏览即可
• 640 套 AI 大模型行业报告 + 经典 PDF 书籍：看行业落地案例和别人怎么做的时候用得上
• 大模型零基础到精通教学视频：跟着敲一遍，比只读文档快得多

资料是我自己整理的，放在下面这个码上，扫码即可获取：

添加时备注「AI」，优先通过。

资料按「先路线、再动手、最后查漏」的顺序整理好了，建议先看学习路线那一份，照着它挑一条适合自己当前基础的路径再往下看。