本文基于 The New Stack 对 Revenium 的深度报道，原文链接见文末参考文献。
━━━ ━━━ ━━━
一、从一场「Token 狂欢」说起
过去 18 个月，企业 AI 的策略像极了一场毫无节制的淘金热。指令简单粗暴：采用、集成、规模扩张。工程团队获得对大型语言模型（Large Language Model，LLM）的几乎无限访问权限，结果催生了一个匪夷所思的竞争现象——内部排行榜上，比拼的不是业务产出，而是哪个部门、哪位工程师消耗的 token 最多。
Token（词元）是 LLM 处理文本的基本单位——在英文中，1 个 token 约等于 3/4 个单词或 4 个字符。它决定了 AI 的上下文窗口（context window）、推理性能和 API 计费。你能\"拉满\"多少 token，似乎就成了衡量 AI\"努力\"的 KPI。
我们把这种现象叫作 Tokenmaxxing（Token 拉满）——一种完全与业务价值脱钩的狂热指标。
但这场派对，正在结束。
宿醉以最直接、最痛苦的方式降临：巨额且完全无法预测的云账单。
\"全世界先疯了一样冲出去，然后又摔回地面。我们看着这一切，只能说：这太疯狂了。你完全可以花大钱却什么有用的事都没做。\"
>
——Jason Cumberland，Revenium 联合创始人兼 CPO（首席产品官）
Revenium（官网），一家诞生于弗吉尼亚州赫恩登的软件公司，正是在这个转折点上，凭借六年前积累的 API 计量基础设施，切入了 AI 成本可观测性（AI Cost Observability）这个全新赛道。
━━━ ━━━ ━━━
二、冰山之下：你看不见的 AI 真实成本
大多数企业审视 AI 开支时，视角极其狭窄：只看 token 的单价。
那是冰山的尖顶。水面之下，隐藏着冰冷而庞大的黑暗区域——下游成本（downstream costs）。
当今的 AI Agent 极少是独立运行的。它们会连接数据库（如 Snowflake）、第三方身份认证服务、支付网关（如 Stripe）、信用查询机构......每一次调用都产生一项成本。然而在绝大多数企业的架构中，AI Agent 与其引发的下游成本是完全解耦的、不可见的。
\"想象一个金融服务工作流里的 AI Agent——它处理贷款、审阅数据、做出合规决策。过程中它会调用 Equifax 或 TransUnion 的外部 API。一份信用报告可能就要 25 美元。月底你收到 LLM 的 token 账单，也收到 Equifax 的账单，但你完全无法将两者关联起来——你不知道 Equifax 费用飙升，其实是因为某个 Agent 失控了。\"
>
------ Jason Cumberland
这就是 AI 成本管理的 「冰山问题」：
LLM Token 费用 ← 你看到的（冰山尖顶） ↓ 数据库查询费用（Snowflake 等） 第三方 API 调用费用（身份验证、信用报告等） AI Agent 之间的循环调用（无限递归烧钱） Agent 失败后的人工补救成本 ↑ 你完全看不到的（水下冰山）
下游调用不仅增加 API 开销，还可能导致 AI Agent 陷入死循环——一个 Agent 调用另一个 Agent，另一个再调用回来，导致 token 疯狂消耗的同时，外部账单也在同步飙升。
━━━ ━━━ ━━━
三、Revenium：把 AI 当作 API 来计量
Revenium 创立六年，第一阶段专注的是 API 货币化（API monetization），为 Salesforce、Mulesoft 等巨头构建高并发的 API 计量基础设施。当生成式 AI（Generative AI）泡沫膨胀时，他们发现了自己的独特优势：
所有 AI 本质上就是 API 调用。
Jason Cumberland 的总结简洁到极致：\"All AI is just APIs.\"
RAG（检索增强生成，Retrieval-Augmented Generation）背后是向量数据库的查询 API；Agent 要获取实时信息，背后是对接新闻或金融数据的 REST API；模型推理本身就是对着 OpenAI、Anthropic、DeepSeek 或本地部署的 API 端点做 POST 请求。
既然都是 API，那计量、限流、熔断、预算管控这些 API 治理的老办法，就能完整平移过来。
新功能：AI Insights
2026 年 6 月 9 日，Revenium 在其 AI 经济控制系统（AI Economic Control System）中推出了 AI Insights 功能，核心能力包括：
- 运行时插桩（runtime instrumentation）：代码在运行时注入，交易发生即计量，不等账单 API（可能延迟数小时甚至数天）
- 多阶段检测管道（multi-stage detection pipeline）：自动分析交易历史，发现异常模式
- 量化优化建议：生成排好序的优化列表，每条建议附带预计月节省金额，并直接链接到原始交易数据
- 实时阻断：超预算可立即阻断，而非事后算账
Beta 测试中发现的典型问题：
| 问题类型 | 描述 |
|---|---|
| 循环依赖（circular dependencies） | AI Agent 之间互相调用，形成昂贵的死循环 |
| 陈旧高价模型（outdated expensive models） | 仍在使用旧版高价模型，未切换到更高效的替代品 |
| 特定提供商高失败率 | 某些模型的 API 调用失败率异常，浪费重试成本 |
相对于 CloudZero 等传统 FinOps（云财务运营，Cloud Financial Operations）厂商的事后账单分析路线，Revenium 的运行时插桩路线在速度上领先了几个数量级——前者等你看到账单时钱已经花了，后者在花钱的那一刻就喊停。
━━━ ━━━ ━━━
四、AI 可观测性的三个成熟度层次
Cumberland 将 AI 可观测性的落地划分为三个成熟度层次（three horizons of maturity）：
| 层次 | 描述 | 比喻 |
|---|---|---|
| H1 | 基本的 token 成本追踪 | 知道花了多少钱买电 |
| H2 | 关联下游 API 调用成本（如 Equifax、Snowflake） | 知道每台电器分别用了多少电 |
| H3 | 追踪 AI 与人类工作的相对绩效 | 知道电费换来了多少产出 |
H3 是最引人注目的。在这个层次，Revenium 埋设了救援指标（rescue metrics），用来统计：
- AI Agent 执行失败的 token 成本
- 失败后交回人工处理花费的时间
- 两者的总和 = AI 的真实成本
\"当 AI Agent 失败，任务弹回人类手中时，你不仅有初始执行的 token 成本，还有额外的人类修复时间。我们帮企业追踪的是这两者的总和。\"
>
------ Jason Cumberland
━━━ ━━━ ━━━
五、最 provocative 的命题：AI Agent 的绩效管理
如果 H3 已经让人思考，那下面这个观点足以让 CIO 们深夜无眠：
\"我坚信，未来员工做绩效面谈时，问题会是：你工作做得多好？以及你花了多少 token？\"
>
------ Jason Cumberland
企业有数十年成熟的人力绩效管理（workforce management）体系——OKR、KPI、360 评估......但当企业部署了数千个 AI Agent 来处理代码实现、客服分流、合规审核等任务时，完全没有任何基础设施来管理这些数字员工。
Revenium 的长期愿景，是成为 AI Agent 的「人力资源系统」——追踪每个 Agent 的投入产出比（ROI），识别\"高绩效 Agent\"与\"摸鱼 Agent\"。
净收益公式：
AI 净收益 = AI 节省的人力成本 - LLM Token 费用 - 下游 API 调用成本 - 人工补救时间成本
这个计算，目前几乎没有任何企业真正做好。
━━━ ━━━ ━━━
六、几点观察与思考① Tokenmaxxing 的本质是测量谬误
\"把消耗当产出\" 是经典的古德哈特定律（Goodhart\'s Law）——当一个指标变成目标本身时，它就不再是个好指标了。工程师们拼命拉 token 消耗，因为那个数字能上排行榜，但这和企业追求的业务价值毫无关系。
② 冰山模型揭示了一个架构级问题
现有的 AI 应用架构中，成本归属链路是断裂的：
- LLM 调用 → OpenAI/DeepSeek 统一出账
- 数据库调用 → Snowflake 单独账单
- 第三方 API 调用 → 各供应商独立计费
- 人工补救 → 根本不记账
要修复这个问题，需要的不是另一个财务管理工具，而是从架构层面嵌入的可观测性——这正是 Revenium 运行时插桩方案的价值。
③ H3 打开了 AI 投入产出比（ROI）度量的大门
\"AI 到底值不值\"这个灵魂拷问，终于有了可操作的答案。但 H3 需要企业具备更成熟的数据基础设施——你不能追踪 AI 失败后的人工补救成本，除非你先把人机协作的工作流全链路数字化。
━━━ ━━━ ━━━
结语
Token 狂欢的宿醉过后，留给企业的不是要不要继续用 AI 的问题，而是如何观察、控制、优化 AI 的每一分钱花在什么地方的问题。
Revenium 的核心理念值得记住：\"All AI is just APIs.\"——把 AI 降维到 API 层面之后，计量、管控、优化这些在 API 治理领域沉淀了几十年的基础设施，都可以直接复用。也许，这才是 AI 规模化落地真正需要的\"大人的方法\"。
━━━ ━━━ ━━━
参考文献
- The New Stack (2026-06-09). *\"The tokenmaxxing party is over, and Revenium is mopping up\"*. https://thenewstack.io/revenium-ai-cost-observability/
- Revenium 官网: https://revenium.io
- Goodhart\'s Law（古德哈特定律）——当指标变成目标后，就不再是好指标。Wikipedia: https://en.wikipedia.org/wiki/Goodhart%27s_law
- CloudZero——AI FinOps 竞争产品对比: https://www.cloudzero.com
- FinOps Foundation——云财务运营标准: https://www.finops.org
━━━ ━━━ ━━━
*本文为 LeisureLinux 原创内容，基于公开报道翻译与解读。如需转载请联系作者。*
Nebius 收购 Eigen AI：AI 云计算领域的"垂直整合"大动作
