1. 先搞清楚这个省钱法的核心逻辑Simon Willison提出的Fable省钱法核心思路很简单用便宜的AI子代理处理机械重复任务把昂贵的AI模型留给真正需要复杂思考的工作。这就像让实习生处理文件整理、数据录入这些标准化工作而高级工程师专注在架构设计和关键决策上。具体到AI模型选择上这个方法建议把Claude Sonnet这类性价比高的模型作为主力子代理只在必要时调用Claude Opus或Fable这类高端模型。从实际成本看Sonnet 5的输入token价格是$2/百万输出$10/百万而Opus 4.8要$5/百万输入和$25/百万输出——价格差了一倍多。但这里有个关键判断不是所有任务都适合下放给子代理。我一般会先按任务复杂度分级一级任务数据清洗、格式转换、简单查询——直接交给Sonnet二级任务代码审查、文档生成、基础调试——Sonnet为主复杂部分人工干预三级任务系统架构、复杂算法、关键业务逻辑——才考虑启用Opus或Fable实际操作中很多人容易犯的错误是一上来就用最贵的模型跑所有任务结果成本爆表。更稳妥的做法是先从Sonnet试起如果发现它处理不了再升级。2. 子代理任务拆分的具体操作步骤2.1 识别可下放的机械任务机械任务通常有这些特征输入输出格式固定、处理逻辑标准化、不需要创造性思考。比如批量文件重命名和格式转换日志文件的关键信息提取API返回数据的清洗和结构化代码中的简单bug修复如拼写错误、格式问题我一般会先用一个小样本测试Sonnet的处理能力。比如拿10条日志记录让Sonnet提取特定字段如果准确率超过95%这个任务就适合下放。2.2 设置任务执行边界子代理最怕遇到模糊指令。在分配任务前必须明确输入数据的格式和范围期望输出的具体标准处理失败时的应对策略重试、跳过还是上报执行时限和资源限制例如让Sonnet处理图片批量压缩就要指定输入格式为jpg/png输出质量不低于80%单文件不超过5MB超时设置为30秒。边界越清晰子代理表现越稳定。2.3 建立质量检查机制不能完全信任子代理的输出。我通常会设置三层校验格式校验检查输出是否符合预定格式逻辑校验简单规则判断结果合理性抽样复核定期人工检查关键输出比如用Sonnet生成API文档后先用脚本检查Markdown格式是否正确再验证接口参数是否完整最后抽检几个复杂接口的文档质量。3. 不同模型的实际成本对比和选型建议3.1 模型价格深度分析根据Anthropic最新定价各模型成本差异明显模型输入token价格输出token价格适合场景Claude Sonnet 5$2/百万$10/百万日常编码、文档处理、数据清洗Claude Opus 4.8$5/百万$25/百万复杂推理、系统设计、关键决策Fable 5需单独申请需单独申请高风险任务、网络安全但价格不是唯一考量点。Sonnet 5在Agentic Search评估中表现接近Opus 4.8但成本只有40%左右。对于大多数企业日常任务Sonnet 5已经足够。3.2 实际成本测算方法我常用的成本预估公式单任务成本 (输入token数/1000000 × 输入单价) (输出token数/1000000 × 输出单价)比如一个典型的代码审查任务输入2000行代码 ≈ 8000 tokens输出审查意见 ≈ 2000 tokensSonnet成本($2 × 0.008) ($10 × 0.002) $0.036Opus成本($5 × 0.008) ($25 × 0.002) $0.09虽然绝对金额不大但乘以日常任务量后差异就很明显了。3.3 什么时候该升级到高端模型从Sonnet升级到Opus或Fable的信号包括Sonnet连续三次无法完成同一类任务任务涉及系统安全或数据隐私输出质量要求极高错误容忍度为0任务需要跨领域知识整合比如处理财务数据清洗用Sonnet足够但涉及交易策略分析就该用Opus。4. 实操中的配置和优化技巧4.1 环境配置要点在使用Claude系列模型时环境配置直接影响成本效益# 正确的配置方式 claude_config { model: claude-sonnet-5, # 默认使用Sonnet max_tokens: 4000, # 根据任务需要设置避免浪费 temperature: 0.3, # 机械任务用低随机性 timeout: 30, # 设置超时防止卡住 }常见的配置错误max_tokens设置过高导致输出冗长浪费tokentemperature设置不当机械任务应该用低值没有设置重试机制网络波动导致任务失败4.2 任务批处理策略单个调用API有 overhead批处理能显著提升性价比# 好的批处理示例 tasks [ {input: 清洗数据A, type: data_clean}, {input: 生成文档B, type: doc_gen}, {input: 检查代码C, type: code_review} ] # 按类型分组处理 for task_type, group in group_tasks_by_type(tasks): if task_type in [data_clean, doc_gen]: model claude-sonnet-5 # 机械任务用Sonnet else: model claude-opus-4.8 # 复杂任务用Opus批处理时要注意单个请求的token上限超过限制需要拆分。4.3 监控和调优流程建立成本监控看板跟踪各模型每日token消耗任务成功率和平均耗时成本超出预期的任务类型我一般每周分析一次数据发现Sonnet处理某类任务失败率超过20%时考虑升级模型或优化任务指令。5. 常见问题排查和避坑指南5.1 任务执行失败排查顺序当子代理任务失败时按这个顺序排查检查输入格式是否符合模型要求的数据结构验证API配额是否达到速率限制或额度上限查看错误日志模型返回的具体错误信息测试简化版本用最小可复现案例验证检查网络连接API调用是否超时或中断比如遇到rate limit exceeded错误先降低请求频率而不是直接换更贵的模型。5.2 成本失控的应急处理发现成本异常增长时立即检查是否有任务陷入循环调用确认是否误用了高定价模型查看是否有任务输出token异常增多检查是否有多余的调试信息输出临时应对措施设置更严格的token上限对高成本任务加入人工审核环节启用成本告警机制5.3 质量下降的优化方案如果子代理输出质量下降细化任务指令减少模糊空间提供更清晰的示例和模板增加输出验证步骤考虑是否任务本身过于复杂需要拆分比如Sonnet生成的代码注释质量不稳定时可以提供注释模板和示例而不是直接升级到Opus。6. 长期使用的经验总结6.1 建立任务分类标准经过大量实践我总结出这样的分类标准适合Sonnet的任务特征有明确输入输出格式处理逻辑可描述为具体步骤错误后果可承受不需要创造性思维需要Opus的任务特征涉及多个领域的知识整合输出质量直接影响业务关键指标任务边界模糊需要推理判断安全性和准确性要求极高6.2 成本优化的时间点模型定价会变化要定期重新评估新模型发布时如Sonnet 5相比4.6有大幅提升定价策略调整时关注官方公告业务量增长到新阶段时任务类型发生显著变化时6.3 团队协作的最佳实践在团队中推广子代理模式时建立统一的任务分类指南制定模型使用规范设置成本监控和告警定期分享优化案例和经验最重要的是培养团队的成本意识——不是一味追求最便宜而是在保证质量的前提下选择性价比最高的方案。这套方法真正落地后通常能将AI相关成本降低30-50%同时保持甚至提升任务完成质量。关键是要根据实际业务需求不断调整优化而不是套用固定模式。
AI模型成本优化：Fable省钱法与子代理任务分级实践
1. 先搞清楚这个省钱法的核心逻辑Simon Willison提出的Fable省钱法核心思路很简单用便宜的AI子代理处理机械重复任务把昂贵的AI模型留给真正需要复杂思考的工作。这就像让实习生处理文件整理、数据录入这些标准化工作而高级工程师专注在架构设计和关键决策上。具体到AI模型选择上这个方法建议把Claude Sonnet这类性价比高的模型作为主力子代理只在必要时调用Claude Opus或Fable这类高端模型。从实际成本看Sonnet 5的输入token价格是$2/百万输出$10/百万而Opus 4.8要$5/百万输入和$25/百万输出——价格差了一倍多。但这里有个关键判断不是所有任务都适合下放给子代理。我一般会先按任务复杂度分级一级任务数据清洗、格式转换、简单查询——直接交给Sonnet二级任务代码审查、文档生成、基础调试——Sonnet为主复杂部分人工干预三级任务系统架构、复杂算法、关键业务逻辑——才考虑启用Opus或Fable实际操作中很多人容易犯的错误是一上来就用最贵的模型跑所有任务结果成本爆表。更稳妥的做法是先从Sonnet试起如果发现它处理不了再升级。2. 子代理任务拆分的具体操作步骤2.1 识别可下放的机械任务机械任务通常有这些特征输入输出格式固定、处理逻辑标准化、不需要创造性思考。比如批量文件重命名和格式转换日志文件的关键信息提取API返回数据的清洗和结构化代码中的简单bug修复如拼写错误、格式问题我一般会先用一个小样本测试Sonnet的处理能力。比如拿10条日志记录让Sonnet提取特定字段如果准确率超过95%这个任务就适合下放。2.2 设置任务执行边界子代理最怕遇到模糊指令。在分配任务前必须明确输入数据的格式和范围期望输出的具体标准处理失败时的应对策略重试、跳过还是上报执行时限和资源限制例如让Sonnet处理图片批量压缩就要指定输入格式为jpg/png输出质量不低于80%单文件不超过5MB超时设置为30秒。边界越清晰子代理表现越稳定。2.3 建立质量检查机制不能完全信任子代理的输出。我通常会设置三层校验格式校验检查输出是否符合预定格式逻辑校验简单规则判断结果合理性抽样复核定期人工检查关键输出比如用Sonnet生成API文档后先用脚本检查Markdown格式是否正确再验证接口参数是否完整最后抽检几个复杂接口的文档质量。3. 不同模型的实际成本对比和选型建议3.1 模型价格深度分析根据Anthropic最新定价各模型成本差异明显模型输入token价格输出token价格适合场景Claude Sonnet 5$2/百万$10/百万日常编码、文档处理、数据清洗Claude Opus 4.8$5/百万$25/百万复杂推理、系统设计、关键决策Fable 5需单独申请需单独申请高风险任务、网络安全但价格不是唯一考量点。Sonnet 5在Agentic Search评估中表现接近Opus 4.8但成本只有40%左右。对于大多数企业日常任务Sonnet 5已经足够。3.2 实际成本测算方法我常用的成本预估公式单任务成本 (输入token数/1000000 × 输入单价) (输出token数/1000000 × 输出单价)比如一个典型的代码审查任务输入2000行代码 ≈ 8000 tokens输出审查意见 ≈ 2000 tokensSonnet成本($2 × 0.008) ($10 × 0.002) $0.036Opus成本($5 × 0.008) ($25 × 0.002) $0.09虽然绝对金额不大但乘以日常任务量后差异就很明显了。3.3 什么时候该升级到高端模型从Sonnet升级到Opus或Fable的信号包括Sonnet连续三次无法完成同一类任务任务涉及系统安全或数据隐私输出质量要求极高错误容忍度为0任务需要跨领域知识整合比如处理财务数据清洗用Sonnet足够但涉及交易策略分析就该用Opus。4. 实操中的配置和优化技巧4.1 环境配置要点在使用Claude系列模型时环境配置直接影响成本效益# 正确的配置方式 claude_config { model: claude-sonnet-5, # 默认使用Sonnet max_tokens: 4000, # 根据任务需要设置避免浪费 temperature: 0.3, # 机械任务用低随机性 timeout: 30, # 设置超时防止卡住 }常见的配置错误max_tokens设置过高导致输出冗长浪费tokentemperature设置不当机械任务应该用低值没有设置重试机制网络波动导致任务失败4.2 任务批处理策略单个调用API有 overhead批处理能显著提升性价比# 好的批处理示例 tasks [ {input: 清洗数据A, type: data_clean}, {input: 生成文档B, type: doc_gen}, {input: 检查代码C, type: code_review} ] # 按类型分组处理 for task_type, group in group_tasks_by_type(tasks): if task_type in [data_clean, doc_gen]: model claude-sonnet-5 # 机械任务用Sonnet else: model claude-opus-4.8 # 复杂任务用Opus批处理时要注意单个请求的token上限超过限制需要拆分。4.3 监控和调优流程建立成本监控看板跟踪各模型每日token消耗任务成功率和平均耗时成本超出预期的任务类型我一般每周分析一次数据发现Sonnet处理某类任务失败率超过20%时考虑升级模型或优化任务指令。5. 常见问题排查和避坑指南5.1 任务执行失败排查顺序当子代理任务失败时按这个顺序排查检查输入格式是否符合模型要求的数据结构验证API配额是否达到速率限制或额度上限查看错误日志模型返回的具体错误信息测试简化版本用最小可复现案例验证检查网络连接API调用是否超时或中断比如遇到rate limit exceeded错误先降低请求频率而不是直接换更贵的模型。5.2 成本失控的应急处理发现成本异常增长时立即检查是否有任务陷入循环调用确认是否误用了高定价模型查看是否有任务输出token异常增多检查是否有多余的调试信息输出临时应对措施设置更严格的token上限对高成本任务加入人工审核环节启用成本告警机制5.3 质量下降的优化方案如果子代理输出质量下降细化任务指令减少模糊空间提供更清晰的示例和模板增加输出验证步骤考虑是否任务本身过于复杂需要拆分比如Sonnet生成的代码注释质量不稳定时可以提供注释模板和示例而不是直接升级到Opus。6. 长期使用的经验总结6.1 建立任务分类标准经过大量实践我总结出这样的分类标准适合Sonnet的任务特征有明确输入输出格式处理逻辑可描述为具体步骤错误后果可承受不需要创造性思维需要Opus的任务特征涉及多个领域的知识整合输出质量直接影响业务关键指标任务边界模糊需要推理判断安全性和准确性要求极高6.2 成本优化的时间点模型定价会变化要定期重新评估新模型发布时如Sonnet 5相比4.6有大幅提升定价策略调整时关注官方公告业务量增长到新阶段时任务类型发生显著变化时6.3 团队协作的最佳实践在团队中推广子代理模式时建立统一的任务分类指南制定模型使用规范设置成本监控和告警定期分享优化案例和经验最重要的是培养团队的成本意识——不是一味追求最便宜而是在保证质量的前提下选择性价比最高的方案。这套方法真正落地后通常能将AI相关成本降低30-50%同时保持甚至提升任务完成质量。关键是要根据实际业务需求不断调整优化而不是套用固定模式。
