先定预算，再谈优化
没有预算的"优化"没有终点：改到什么时候算够？先给每个 AI 功能定一条预算线（单位成本 + P95 延迟），
优化就有了判据 —— 达标即停，超了就查。
预算怎么定
- 单位成本：单次调用均价（按功能分组），乘以预期调用量得到月度上限；
- 延迟：用户能接受的 P95（交互式通常 3~5 秒内首字、10 秒内出结论）；
- 配额：单租户/单用户的量级上限（防"一个用户拖垮所有人"，见限流那篇）。
定预算的顺序是从业务倒推：这个功能值多少钱（客单价 × 转化提升）→ 能花多少 → 反推单位成本上限。
反过来"先看花了多少再想办法省"通常会被动。
延迟预算要分两段
- 首字延迟（TTFT）预算：决定"有没有在动"的体感 —— 超了优先并行化前置步骤 / 加流式；
- 总时长预算：决定"读完要多久" —— 超了优先缩短输出（要求"先给结论、限长"）。
两段超了，修法完全不同，所以必须分开设。
超标了怎么办（排查顺序）
- 看是不是重试放大：失败重试会把成本与延迟同时抬高，且只在错误率里露出；
- 看上下文是否过长：把整份文档重复塞进每轮是常见浪费；
- 看有没有缓存机会：重复问题、模板化分类都能缓存；
- 看能不能换小模型：简单任务路由到小模型（见降本那篇）；
- 最后才考虑牺牲能力：降级要显式、可感知、可回滚。
三条纪律
- 预算与质量一起看：只盯预算必然把质量赔进去，每次优化都要记质量指标；
- 预算要版本化：模型/提示词一换，预算要重算，别用旧数字判定；
- 告警而非事后：按租户与全局各设一条成本告警，超 80% 就提醒，不要等月底。
一张最小看板
- 每功能：单次成本、调用量、P95 首字与总时长、超预算次数；
- 全局：当日花费、Top 花费租户/功能、缓存命中率、重试率；
- 质量：成功率、负反馈率、失败类型分布（用来确认"省下来的没赔质量"）。