AI 2026年6月6日 1 分钟阅读

Uber 四个月烧完全年 AI 预算之后：Cost.dev 让编程 Agent 学会看价格标签

tinyash 0 条评论

新闻背景：Uber 的 AI 预算危机

2026 年 6 月初，LA Times 报道了一个让整个开发者社区震动的事件：Uber 因为 AI 编程工具预算严重超支，不得不限制员工的 Claude Code 使用量。相关帖子和讨论在 HN 上引发了连锁反应——此前已有帖子揭示 Uber 在前 4 个月就把全年的 Claude Code 许可费用烧光了。

这不是 Uber 的孤例。Uber COO 公开表示”越来越难 justify 在 tokenmaxxing 上的支出”，而 Corporate America 也在普遍开始配额管理和限制 AI 工具使用。一句话：AI 编程工具的便利性，正在被失控的成本吞噬。

为什么预算会爆掉？因为当前的主流 AI 编程工具以 token 消费为计价模型——你用的 prompt 越长、Agent 循环的对话轮次越多、输出的工具调用越啰嗦，账单就越高。一个 Agent 在 Terraform PR 上多跑几次 jq | python | wc 管道组合，就能无意义地烧掉数百美元。

问题在哪里

AI 编程 Agent 在基础设施即代码（IaC）场景下的成本失控尤为突出。当你对 Claude Code 说”优化这个 Terraform 配置的成本”，Agent 会怎么做？

它首先会加载大量代码和策略上下文到对话里，然后去猜测 AWS 上十万种实例类型的价格。猜对了是运气，猜错了你压根发现不了——因为约 1000 万个价格点分散在 AWS、Azure、Google Cloud 上，没有任何人能凭记忆验证价格是否正确。

这还没算上 token 浪费的问题：Agent 在猜测和纠错的过程中不断输出长回复、组合管道命令、加载重复上下文——每一步都在烧钱。

破局者：Cost.dev

就在这个背景下，Infracost 团队（YC W21，主仓库 GitHub 13,000+ ⭐）推出了专为 AI Agent 设计的成本感知 CLI：Cost.dev。

如果说五年前 Infracost 让工程师在部署前就知道 Terraform PR 增加了 $400/月的成本，那么 Cost.dev 的使命是：让 AI Agent 在做出变更前就能看到价格标签。

它的设计哲学很清晰——CLI 做确定性工作（查价格、扫描代码、验证修复），Agent 做自然语言工作（理解上下文、生成配置）。两者各司其职，不互相替代。

核心数据：79% Token 缩减 + 67% 费用降低

Cost.dev 团队在 blog 中分享了一组关键数字：通过对 CLI 输出格式的全面优化，他们让 Claude 的输出 Token 消耗降低了 79%，API 成本降低了 67%。

如何在 CLI 设计中为 Agent 节约 token？几个要点：

  • 谓词标志（predicate flags）：让 Agent 不问问题，直接拿答案，不再需要用 jq | python | wc 组合管道来处理 JSON 输出
  • 紧凑输出格式：剥离 JSON 中冗余的字段名，让 Agent 一眼看到关键数据
  • 避免不必要的上下文加载：CLI 做所有的确定性工作，Agent 只需接收精简结果

安装与配置

Cost.dev 的安装非常简单：

brew install cost-dev/tap/cost

curl -fsSL https://cost.dev/install.sh | sh

它支持当前所有主流 AI 编程工具：

  • Claude Code
  • GitHub Copilot
  • Cursor
  • Windsurf
  • OpenAI Codex
  • Gemini CLI
  • VS Code 与 JetBrains IDE

一个安装，全局生效，不需要为每个工具单独配置。

实战场景：让 Terraform 不再”盲人摸象”

假设你在 Cursor 中编写 Terraform 配置，想用 r6i.8xlarge 实例类型部署一个新的 EC2 集群。正常情况下，Agent 会说”好的，r6i.8xlarge 实例不错”——但它不知道这会带来多少成本。

有了 Cost.dev，Agent 的工作流程变成了这样：

  1. 你输入 prompt：”帮我创建一个 3 节点的 EC2 集群，用 r6i.8xlarge”
  2. Agent 自动调用 cost estimate 命令获取价格
  3. CLI 返回：”r6i.8xlarge 按需价格为 $1.3056/小时，3 节点每月约 $2,821″
  4. Agent 意识到成本较高，提示你：“r6i.8xlarge 每月约 $2,821，是否考虑用 r6i.4xlarge（$1,411/月）替代？性能差异约 50%，但成本减半”
  5. 你决定降级，Agent 根据真实价格数据重新生成配置

整个过程，Agent 不需要去猜测价格，也不需要加载 AWS 定价页面。所有数据都在本地通过 CLI 静态分析完成——代码不会离开你的机器，也不会因为 API 调用而增加额外的 token 消耗。

这就是”成本感知编程”的核心理念：不是让 Agent 更聪明地去猜，而是给 Agent 一个可靠的价格参照系。

多工具一致性

Cost.dev 另一个值得一提的设计是规则层的一致性。不管你在 VS Code 中写 IaC，还是在 Claude Code 中让 Agent 生成配置，你得到的是同一个价格数据库和同样的验证逻辑。这意味着：

  • 你不用维护多个定价源
  • Agent 和 IDE 之间的成本估算不会有分歧
  • 团队的所有工具共享同一个评估标准

写在最后

Uber 的 AI 预算危机很可能只是个开始。随着更多企业将 AI 编程工具投入生产环境，”成本感知”将成为 Agent 设计的必修课——就像今天没有人会写不关心性能的代码一样，未来没有人会写不关心成本的 Agent 配置。

Cost.dev 不是一个颠覆性的 AI 工具，而是一个基础设施层的基础设施——它解决的不是”做什么”，而是”做这件事要花多少钱”。在 AI 编程从实验走向生产的过程中，这种透明度和确定性，比多一个花哨的功能重要得多。

相关链接：Cost.dev 官网 | Infracost 团队博客：如何将 Claude 的 Token 消耗降低 79% | GitHub 仓库（Infracost）

AI AI 工具 AI 编程 YC 开发工具 教程

发表评论

你的邮箱地址不会被公开，带 * 的为必填项。