[控场AI]
· 5 分钟阅读· 2,976 字

OpenAI Agents SDK成本可视化:运行前看清每条交接费用

OpenAI Agents SDK成本可视化:运行前看清每条交接费用

Node Agentry 静态解析 agent 代码生成带成本的图,揭示高配 agent 才是账单大头。

Node Agentry 是一款在浏览器本地解析 OpenAI Agents SDK 代码的工具,可将 agent 定义转化为带预估成本的图,标出执行顺序、交接分支和每个 agent 的单次运行费用。它以“每个 agent 运行一次”为估算口径,guardrails 暂未计价。示例显示 refund agent 因使用高配模型而占据约九成月账单;将其降档后月成本从约 163 美元降至约 21 美元。工具还提供模拟器和 CI 成本检查,把成本治理提前到合并前。

构建多智能体系统时,最令人头疼的问题往往不是逻辑跑不通,而是账单失控。OpenAI Agents SDK 让定义 triage、billing、refund 这样的分工变得简单,但每个 agent 用哪个模型、交接几次、每次跑一遍要花多少钱,代码里看不出来。一款名为 Node Agentry 的工具试图解决这个问题:它直接读取你定义 agent 的 Python 或 JavaScript 代码,画成一张图,标出谁先运行、谁交接给谁,以及每个 agent 的预估成本——全部在运行之前完成。

从代码到成本图:Agent 如何被定价

Node Agentry 的入口是 Agent Cost Calculator。把定义 agent 的代码粘贴进去,工具会在浏览器本地解析,不上传、不执行。以官方 Agents 示例为例:一个 triage agent 把客户分流给 billing agent 或 refund agent。triage 和 billing 跑在 GPT-6 Luna 上,refund agent 跑在 GPT-6.1 Sol 上,并且带两个函数工具——查询订单和发起退款。

解析完成后,每个 agent 变成图上的一个步骤,按所属模型定价;交接关系变成 triage 之后的分支,每个下游 agent 一条路径。Runner.run 标记出最先执行的 agent,而被当作工具调用的 agent 则排在使用它的 agent 之后。函数工具以代码形式运行,因此不产生模型成本,也不会被画成独立步骤。

Node Agentry 展示了 triage 首先运行,随后是交接分支,每个 agent 各有一条路径

这套映射逻辑的关键在于:成本估算的单位是“每个 agent 一次”。也就是说,它计算的是所有 agent 各跑一遍的单程费用,而不是包含循环、重试或多轮对话的完整运行成本。

OpenAI Agents SDK 中的 handoff(交接)是指一个 agent 将对话控制权转移给另一个 agent 的机制。被交接的 agent 可以继承对话历史,也可以携带自己的系统提示和工具集。在成本图中,交接表现为分支:每个可能被交接到的 agent 形成一条独立路径,因此一次用户请求可能只经过其中一条路径。理解这一点很重要,因为成本估算按“每个 agent 各跑一次”计算,而实际运行时一次请求通常只触发部分交接路径,具体取决于路由逻辑。

两个必须知道的估算边界

在把数字当真之前,有两个限制值得记住。其一是 guardrails 目前还没有被计价,如果你的系统依赖护栏做输入输出校验,实际成本会高于图表显示。其二是每个 agent 只按一轮计算,估算反映的是单次穿过 agent 图的费用。

Guardrails 尚未纳入计价,每个 agent 按一轮计算,估算为单程费用

这两个边界并不影响工具的核心价值——它回答的是“结构层面的成本分布”,而不是“精确账单”。对于判断哪个 agent 吃掉了大部分预算、哪次交接可以省掉,这已经足够。

Guardrails(护栏)在 Agents SDK 中是独立于 agent 主逻辑运行的校验层,通常由另一个模型或规则引擎执行输入输出检查。由于护栏不参与交接关系、也不在 agent 图中表现为步骤,当前的成本模型未将其纳入。如果系统对每个请求都启用输入和输出两道护栏,实际成本可能显著高于图中数字,尤其是在高并发场景下护栏调用次数与请求数成正比。

示例账单:一个 agent 吃掉九成费用

按示例代码的配置,如果每个 agent 各运行一次,单次运行约半美分,按每天一千次调用计算约合每月 163 美元。图上的分布很说明问题:refund agent 几乎占了全部账单,约每月 149 美元;triage 和 billing 各自只有几美元。

原因不难理解——refund agent 跑在更强的模型上,还挂了两个函数工具。真正的成本大头不是交接次数,而是某一个高配模型 agent 的调用量。这也意味着优化的方向非常明确:动那个最贵的 agent,而不是重构图结构。

降一档模型,账单从 163 降到 21

把 refund agent 从 GPT-6.1 Sol 降到 GPT-6 Luna,月账单从约 163 美元降到约 21 美元。工具在改善标签页里会直接建议这一步——“把最贵的步骤降一档”——应用后同一请求重新模拟,单次运行成本降到远低于十分之一美分,降幅约 90%。代码层面只需要改一行:把 refund agent 的模型设为 GPT-6 Luna。

函数工具以代码运行,因此不会被画成步骤;导入画布后 agent 变成可运行的图

但退款涉及真实资金流动,工具本身也给出了警告:在切换之前,先用便宜模型测试退款逻辑。成本优化不能以牺牲关键业务流程的可靠性为代价,这是任何自动化降本动作都要守住的前提。

模型档位对成本的影响并非线性,而是由输入/输出 token 单价和 agent 的调用频率共同决定。高配模型(如文中的 GPT-6.1 Sol)通常单价更高,且可能因更强的推理能力产生更多输出 token;而低配模型(如 GPT-6 Luna)单价低、响应更短。当某个 agent 承担高频、核心的调用(如退款处理),其成本占比会被放大。因此“降一档模型”带来的降幅往往超过单价比例,因为调用量基数大。

模拟器 + CI 检查:把成本控制左移

导入画布后,agent 图可以在模拟器里运行,不需要 API key。客户提出退款请求时,交接逻辑选中 refund agent,billing agent 被跳过,整次运行约半美分——这个链路验证本身就是对成本模型的一次实测。

修改代码后只需改一行,把 refund agent 的模型设为 GPT-6 Luna,成本约降 90%

更值得关注的是 CI 成本检查:当某个 pull request 让 agent 变贵时,它会在合并前标记出来。这把成本治理从“上线后看账单”提前到了“合并前看 diff”,和代码审查、安全扫描放在同一道关口。登录后每次导入都会保存为可测试、可发布的工作流,支持通过 webhook 或 API 调用。工具本身免费且无需注册。

这类工具真正的意义

多智能体系统的成本结构往往不符合直觉:交接次数看起来是主要变量,实际决定账单的却是模型档位和 agent 的调用频率。Node Agentry 把代码静态解析成带价格的图,让“这个架构要花多少钱”从上线后的财务问题,变成设计阶段的工程问题。它不精确——guardrails 未计价、每个 agent 只算一轮——但它把成本可见性带到了正确的时间点:运行之前。

#OpenAI Agents SDK#Agent 成本估算#Node Agentry#Agent Cost Calculator#多智能体系统#模型成本优化#CI 成本检查
分享:

相关推荐