AI编程下半场：比的是谁会花钱

GitHub 9月4日的 HydraFusion 把一次任务拆成起草、挑刺、返工、升级四步，便宜模型先上，贵模型只在卡住时出场。Meta 省 25% Token、Anthropic 缓存降价 75%，同一条主线已经很清楚：AI 编程开始算账了。

一个反常识的消息

9 月 4 日，GitHub 上线了一个叫 HydraFusion 的研究预览版。它干的事说出来有点泄气：不是让 AI 变得更聪明，而是让 AI 学会省钱。

先解释一下它怎么干活。

过去你用 AI 编程工具，等于雇了一个顾问：不管你问的是「帮我把这个按钮改成蓝色」还是「帮我们重构整个支付系统」，都是同一位顾问接单，按同一档费率收费。

HydraFusion 的思路是：凭什么？

它接到任务后，先把活拆开——起草、挑刺、返工、升级，四个环节分配给不同的模型。简单的改动，便宜模型上；便宜模型搞不定了，或者活儿本身风险高，再把贵模型请出来。用官方的说法，这套流程在测试里追平了最强模型的表现，预估成本还降了。

一句话总结：贵的不是干活，是把所有活都交给最贵的人干。

为什么以前没人这么干

因为以前没必要。

模型便宜的时候，粗放是美德。反正随便用，账单不心疼，谁还在乎「这个任务值不值得用最强的模型」。

但现在不一样了。AI 编程从「偶尔问一句」变成了「全天候干活」，用量上来之后，账单就成了老板眼里的头号问题。行业里有个说法流传很广：企业用 AI，最怕的不是效果不好，是成本不可预测——这个月五百，下个月五万，财务直接把预算掐了。

于是整条产业链都开始算账，而且动作整齐得像串通过：

Meta 9 月 6 日发布 Muse Spark 1.3，同样的编程任务，工具调用次数少 20%，Token 消耗少 25%。翻译一下：以前要来回折腾五次才能干完的活，现在四次干完，嘴还更严了。

Anthropic 更直接：缓存读取价格降了 75%，最低到每百万 Token 0.25 美元。意思是——AI 反复处理同一批材料时（比如天天读你们公司那套文档），重复的部分不用重新算钱，按三折都不到收。

一家降用量，一家降单价，GitHub 换了个调度思路。三件事凑在同一个星期，就不是巧合了，是风向。

「性价比」为什么是普通人该关心的事

你可能不写代码，也不付模型费。但这事最终会落到每个人头上。

想想 AI 能力是怎么传导到你手上的：模型公司定成本，工具公司定订阅价，你的公司再决定给员工开多少额度。上游每省一块钱，下游就多一分可能把 AI 用在更普通的工作上。

现在这轮降本，本质上是在把 AI 从「高管专属的战略工具」往「人人可用的办公软件」上推。就像发电：最初电是奢侈品，成本降下来之后，才有家家户户的电灯。

还有一个更隐蔽的变化值得说：「选哪个模型」这件事，正在从你的选择变成系统的选择。

以前用 AI 工具，你要自己挑：「这个问题用 A 模型还是 B 模型？」以后大概率不用挑了——系统替你路由，简单问题走经济舱，难题自动升舱。你感知不到模型的存在，只感知到活干完了、账单变薄了。

软件行业管这叫「编排」。用户管这叫——省心。

冷水还是要泼一盆

当然，别急着欢呼「AI 成本崩了」。

HydraFusion 现在是研究预览版，GitHub 自己都没敢说「所有场景都能省钱」。调度本身也有代价：任务拆得越细，来回协调越多，有时候省下的模型费，又搭进去了协调成本。

而且「便宜模型打头阵」有个前提：错了能被发现。这就是为什么流程里必须有「挑刺」和「升级」环节——便宜不是让你放低标准，是把预算花在刀刃上。

省钱这件事，从来没有魔法，只有算术。

写在最后

AI 编程的第一回合，比的是谁更聪明。头部模型你追我赶，分数咬得比分秒表还紧。

第二回合刚刚开哨，比的是谁会花钱。

对你的启示倒是很朴素：以后评估 AI 好不好用，别只看它多能干，看它单位产出要花多少。 这句口诀，买工具、算预算、挑服务商，通用。

觉得有用？点个关注，持续获取优质内容。