cost-aware-llm-pipeline

成本感知的 LLM 管道

在保持质量的同时控制 LLM API 成本的模式。将模型路由、预算跟踪、重试逻辑和提示缓存组合成一个可组合的管道。

何时激活

• 构建调用 LLM API（Claude、GPT 等）的应用程序
• 处理具有不同复杂度的批量项目
• 需要将 API 支出控制在预算内
• 在不牺牲复杂任务质量的前提下优化成本

核心概念

1. 根据任务复杂度进行模型路由

自动为简单任务选择更便宜的模型，将昂贵模型保留给复杂任务。

MODEL_SONNET = "claude-sonnet-4-6"
MODEL_HAIKU = "claude-haiku-4-5-20251001"

_SONNET_TEXT_THRESHOLD = 10_000  # 字符数
_SONNET_ITEM_THRESHOLD = 30     # 项目数

def select_model(
    text_length: int,
    item_count: int,
    force_model: str | None = None,
) -> str:
    """根据任务复杂度选择模型。"""
    if force_model is not None:
        return force_model
    if text_length >= _SONNET_TEXT_THRESHOLD or item_count >= _SONNET_ITEM_THRESHOLD:
        return MODEL_SONNET  # 复杂任务
    return MODEL_HAIKU  # 简单任务（便宜 3-4 倍）

2. 不可变成本跟踪

使用冻结数据类跟踪累计支出。每次 API 调用返回一个新的跟踪器——从不改变状态。

from dataclasses import dataclass

@dataclass(frozen=True, slots=True)
class CostRecord:
    model: str
    input_tokens: int
    output_tokens: int
    cost_usd: float

@dataclass(frozen=True, slots=True)
class CostTracker:
    budget_limit: float = 1.00
    records: tuple[CostRecord, ...] = ()

    def add(self, record: CostRecord) -> "CostTracker":
        """返回添加记录后的新跟踪器（从不改变自身）。"""
        return CostTracker(
            budget_limit=self.budget_limit,
            records=(*self.records, record),
        )

    @property
    def total_cost(self) -> float:
        return sum(r.cost_usd for r in self.records)

    @property
    def over_budget(self) -> bool:
        return self.total_cost > self.budget_limit

3. 窄重试逻辑

仅在临时错误时重试。在身份验证或错误请求错误时快速失败。

from anthropic import (
    APIConnectionError,
    InternalServerError,
    RateLimitError,
)

_RETRYABLE_ERRORS = (APIConnectionError, RateLimitError, InternalServerError)
_MAX_RETRIES = 3

def call_with_retry(func, *, max_retries: int = _MAX_RETRIES):
    """仅在临时错误时重试，其他错误快速失败。"""
    for attempt in range(max_retries):
        try:
            return func()
        except _RETRYABLE_ERRORS:
            if attempt == max_retries - 1:
                raise
            time.sleep(2 ** attempt)  # 指数退避
    # AuthenticationError、BadRequestError 等 → 立即抛出

4. 提示缓存

缓存长系统提示，避免每次请求都重新发送。

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "text",
                "text": system_prompt,
                "cache_control": {"type": "ephemeral"},  # 缓存此项
            },
            {
                "type": "text",
                "text": user_input,  # 可变部分
            },
        ],
    }
]

组合

在单个管道函数中组合所有四种技术：

def process(text: str, config: Config, tracker: CostTracker) -> tuple[Result, CostTracker]:
    # 1. 路由模型
    model = select_model(len(text), estimated_items, config.force_model)

    # 2. 检查预算
    if tracker.over_budget:
        raise BudgetExceededError(tracker.total_cost, tracker.budget_limit)

    # 3. 带重试和缓存调用
    response = call_with_retry(lambda: client.messages.create(
        model=model,
        messages=build_cached_messages(system_prompt, text),
    ))

    # 4. 跟踪成本（不可变）
    record = CostRecord(model=model, input_tokens=..., output_tokens=..., cost_usd=...)
    tracker = tracker.add(record)

    return parse_result(response), tracker

定价参考（2025-2026）

模型	输入（$/百万 tokens）	输出（$/百万 tokens）	相对成本
Haiku 4.5	$0.80	$4.00	1x
Sonnet 4.6	$3.00	$15.00	~4x
Opus 4.5	$15.00	$75.00	~19x

最佳实践

• 从最便宜的模型开始，仅在达到复杂度阈值时才路由到昂贵模型
• 在处理批次前设置明确的预算限制——尽早失败而不是超支
• 记录模型选择决策，以便根据实际数据调整阈值
• 对超过 1024 tokens 的系统提示使用提示缓存——既节省成本又降低延迟
• 绝不在身份验证或验证错误时重试——仅临时故障（网络、速率限制、服务器错误）

应避免的反模式

• 无论复杂度如何，对所有请求都使用最昂贵的模型
• 对所有错误进行重试（在永久性故障上浪费预算）
• 改变成本跟踪状态（使调试和审计变得困难）
• 在整个代码库中硬编码模型名称（使用常量或配置）
• 忽略重复系统提示的缓存

何时使用

• 任何调用 Claude、OpenAI 或类似 LLM API 的应用程序
• 成本快速累积的批量处理管道
• 需要智能路由的多模型架构
• 需要预算护栏的生产系统