ai-cost-cutter

提供可运行的 Python 成本估算脚本，输入月调用次数、平均输入输出 token 与各档模型单价后，输出分模型月成本对比及优化建议，并围绕批处理、缓存层、模型路由分级、本地模型回退四项手段给出降本方案说明。

zhaoxinghua09-cell

热度 62.56

最近更新 2026-10-17 08:21:46

分类：效率依赖：代码执行 / 读写文件应用场景：财务 / 报告撰写 / 工作流

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add ai-cost-cutter

Metadata

name: ai-cost-cutter
display_name: AI 省钱跑批（AI Cost Cutter）
display_name_en: AI Cost Cutter
description: 当用户说『API账单太贵』『token烧太快』『能不能用本地模型』『批处理怎么省钱』『离线跑AI』，或要把大模型调用从烧钱变省钱时使用。四把刀降本：批处理（高峰调度/合并请求）、本地模型回退（贱活本地跑、贵活才上云）、缓存层（相同请求不重复花钱）、模型路由分级（按任务难度选便宜/贵模型）。附可运行成本估算脚本，输入任务量+模型单价即输出月度账单与三档降本方案的差额。触发词：AI省钱、降本、token太贵、本地模型、批处理、离线跑AI、模型路由、缓存层、cost cutter、AI成本、API账单。
version: 1.1.1
agent_created: true
author: 诺声(Logos)@SynomosAI
license: MIT
license_scope: 代码（.py 文件）MIT；本 SKILL.md 与其中理论文本不在 MIT 覆盖范围内（见文末「License & attribution」）
allowed-tools: Read, Glob, Grep, Bash, Edit
category: AI工程方法
platforms: ["windows","macos","linux"]
read_when: ["月 API 账单过高，想系统性降本","要决定哪些任务上云大模型、哪些用本地小模型","有大量重复/可批处理的 AI 任务（摘要、分类、抽取、翻译）","想搭建缓存层避免重复花钱","用户说「能不能用便宜模型」「离线也能跑吧」"]
tags: ["AI降本","本地模型","批处理","模型路由","缓存","离线跑批","成本估算"]
slug: ai-cost-cutter
title: AI 省钱跑批（AI Cost Cutter）
copyright: SynomosAI
description_zh: 当用户说『API账单太贵』『token烧太快』『能不能用本地模型』『批处理怎么省钱』『离线跑AI』，或要把大模型调用从烧钱变省钱时使用。四把刀降本：批处理（高峰调度/合并请求）、本地模型回退（贱活本地跑、贵活才上云）、缓存层（相同请求不重复花钱）、模型路由分级（按任务难度选便宜/贵模型）。附可运行成本估算脚本，输入任务量+模型单价即输出月度账单与三档降本方案的差额。
description_en: Four levers to cut LLM spend: batching with off-peak scheduling, local-model fallback, caching, and prompt/output slimming, with a decision table for when cloud is worth it.
classification: {"skillhub":["security-compliance"],"iso_25010":["Security"]}
risk_tier: medium
risk_rationale: 门禁批量补丁默认 medium：调用 API/读写文件/本地执行，最小权限，密钥走 Secret；若实际涉对外代执行(push/发布/发送/上架)须人工复评，改 high。
ai_protocol: true
spec: usk/1.0
interface: {"type":"cli","entry_point":"scripts/cost_estimator.py","runtime":"python3","call_pattern":"args"}
input_schema: [{"name":"calls","type":"int","description":"月调用次数","required":true},{"name":"avg-in","type":"int","description":"平均输入 token，默认800","required":false},{"name":"avg-out","type":"int","description":"平均输出 token，默认400","required":false},{"name":"price-flagship","type":"float","description":"旗舰 $/1K tok","required":false},{"name":"price-mid","type":"float","description":"中档 $/1K tok","required":false},{"name":"price-local","type":"float","description":"本地 $/1K tok","required":false},{"name":"cheap-frac","type":"float","description":"贱活占比","required":false},{"name":"local-frac","type":"float","description":"本地回退占比","required":false}]
output_schema: {"stdout":"分模型月成本对比与优化建议","exit_code":{"type":"integer","description":"0=OK/PASS; 1=findings/warnings; 2=usage or argument error"}}
capabilities: ["cost_estimation","llm_budget","optimization"]
permissions: {"network":false,"filesystem":false,"subprocess":false}
requirements: {"python_packages":[],"min_python":"3.8"}
changelog: 1.1.1: Bilingual rewrite (full EN+ZH, English first); 1.0.0: initial upload (USK v3)

凡自治之物 · LGD 治理学 · 创造术家族｜评测协议：skill-quality-gate（外部公开评测门禁文档）

English

When to use

The user says API bills are too high, tokens burn too fast, or asks how to cut LLM costs. Scenarios: batch-merging large request volumes; evaluating local-model fallback to save compute; routing tasks to cheaper/pricier models by difficulty; or moving AI workloads to offline batch mode.

Usage

Run cost_estimator.py for real-time cost estimation and plan generation. Inputs: expected task volume (task_volume) and per-model unit price (model_price). The script outputs a monthly bill delta across the four levers (batching, cache, routing, local fallback).

Flow

Detect trigger keywords; confirm cost-optimization intent.
Activate the skill; load cost_estimator.py.
Collect task volume and unit-price params.
Run the estimator; produce a current-vs-optimized bill comparison.
Output the recommended cut plan with executable local/cache actions.

Evidence & safety

Evidence: TBD. Version: 1.1.1. Security: no independent scan (TBD).

中文

何时用

当用户表达 API 账单成本过高、Token 消耗过快或明确询问如何降低大模型调用费用时。适用于涉及大规模请求批量合并处理、评估本地模型回退策略以节省计算开销的场景。在需要对比不同任务难度的模型路由分级方案，或计划将 AI 部署转为离线跑批模式进行优化时使用。

用法

调用技能核心脚本 cost_estimator.py 执行实时成本估算与方案生成。参数输入需包含预期任务总量（task_volume）及目标模型的单价（model_price）。通过该能力可直接读取基于四把降本策略（批处理、缓存层、模型路由、本地回退）计算出的月度账单差额报告。

流程

检测用户指令中的触发关键词，确认降本或成本优化需求。
激活技能并加载 cost_estimator.py 脚本环境。
收集用户指定的任务量与模型单价参数数据。
运行估算算法生成包含当前账单与优化后账单的对比报表。
输出最终降本方案建议，包括可执行的本地部署或缓存策略指示。

证据与安全声明

证据：TBD（暂无评测/徽章链接；产生后在此更新实际链接）
版本：1.1.1
安全：未做独立安全扫描（TBD），结论待补；补全前不作推荐背书。