[鸭哥 AI 手记] 2026-05-31: 2810亿Token一个人的月账单

懒人包：Meta 内部一个"Token Legend"员工，一个月烧掉了 2810 亿个 Token。这件事曝光后 Meta 火速关闭了内部排行榜，Amazon 也限制了团队级 AI 用量数据的可见性。Financial Times 把这波操作叫做"tokenmaxxing"——企业为了证明 AI 基础设施投资值得，鼓励员工尽可能多地用 AI，员工照做，结果账单爆炸。过去几个月"AI 帮企业省钱"的叙事正在被"AI 本身成了新成本中心"的现实取代。群里聊了两件事正好踩在这条线上：一是用降级模型加编排替代强模型裸用的实践方法，二是在 token 成本吃掉 SaaS 毛利后，软件公司的估值逻辑该怎么重新算。

---

Harness Engineering：流程比模型更能决定质量

群里 Nick 和杨正武分享了一套用 GLM 稳定交付开发任务的方法论。杨正武从 GLM 4.7 开始就一直主力用它，Nick 用 BMAD 走完整 V 流程。linhow 把他们俩的实践总结成四步：任务颗粒度做小、编排做明确、Spec 尽可能具体、Token 换质量。

Nick 那一套尤其成型：写详细设计，review 详细设计，写 ATDD 验收测试，实现代码，code review，检查测试覆盖率。六个步骤走完才交付一个 Story。单次开发时间更长，Token 也烧得更多。但结果是可以依赖的。这不是追求效率，而是追求可预期性。

这件事在 2026 年有了一个名字。Mitchell Hashimoto 年初提出"harness"概念，LangChain 的 Vivek Trivedy 把它定成一句话：Agent 等于模型加 Harness，如果你不是模型，你就是 Harness。ThoughtWorks 在四月 Macro Trends 报告中把它列为独立趋势（ThoughtWorks），LangChain 在 Terminal-Bench 上只改 harness 不动模型，就压出了 14 个百分点的提升。不到三个月，这个概念从一个创意变成了一个工程学科。

Anthropic 五月底做的 Dynamic Workflows 也在走同一条路。它不是让模型自己决定怎么做，而是写死 orchestration 逻辑：先定 subagent 边界和目标，再让 lead agent 按规则派发任务。内部评估里，这套多 agent 系统在内部研究评测上比单 agent Opus 4 高出 90.2%（Anthropic）。多出来的分靠的不是模型变强，是系统被组织得更好。

群里的 Alpha/Beta 讨论给这件事提供了一个出人意料的对照。陈然说得很直白：用 Claude Code 或 Codex 就是 Beta，zero effort 就能拿到大盘收益。魔改 prompt、搞 MCP、调 Workflow 都是 Alpha，绝大多数人追求 Alpha 的实际收益低于 Beta。你不需要调 prompt，等工具升级就行了。

这话初听很像在否定 Harness Engineering 的价值，但其实说的是另一层意思。Nick 和正武做的事，不是 Alpha，是把 Harness 变成了自己的 Beta。一旦工作流固化成一个稳定模板，它就从"每次都要额外投入的调参"变成了"开机就能跑的默认流程"。这也是 Harness Engineering 作为工程学科的本意：把一次性的聪明变成可复用的基础设施。

社区里也开始有工具对接这个需求。Agentlint 是专门给 AI 编码 agent 做的实时 guardrail，42 条证据驱动的检查覆盖 Instructions、Safety、Harness 六个维度（Agentlint）。它做的事情和 ESLint 之于人类代码一样，区别在于它检查的不是代码本身，而是 AI 用来读你项目的方式是不是干净、没有歧义。

---

Token 成本撕开了 SaaS 的定价公式

鸭哥在群里抛了一个问题：为什么软件 PE 可以那么高，而半导体业绩明明更硬，却未必给同样的倍数。他接着自己回答：现在有了 AI coding，SaaS 要占大量成本在 token 上。买家过去是人力贵所以要买订阅，但如果 SaaS 只是帮用户节约时间而不是帮用户赚更多钱，80% 的订阅必要性在哪。

这句话的实际杀伤力在于它对准了 SaaS 估值公式最脆弱的一环。过去二十年 SaaS 的高 PE 建立在两个假设上：边际成本趋近零，高转换成本锁定客户。两个假设现在都在松动。Token 成本让每次调用都有实际开销，而 AI 生成的代码也能在几乎零成本的情况下定制竞品的替代方案。

Alex Oppenheimer 在 Substack 上把这个现象叫做 Margin Inversion：SaaS 公司的毛利率在被 token 成本挤压，传统行业公司的毛利率反而因为 AI 自动化在提升（Oppenheimer）。Salesforce 股价年初至今跌了 33%，SaaS Capital 的 ARR 倍数指数跌到了十年多来的最低点（SaaS Capital）。市场还没开始区分 AI 赢家和输家，所有 SaaS 都被同一把刷子刷了。

这不是在财务报表上直接能抓到一行叫"AI Token 成本"的科目。它更多体现为一种市场恐惧：投资者在降价之前先跑。但硅谷大厂近期的动作把这层恐惧变成了肉眼可见的事实。Meta 那个 2810 亿 Token 的排行榜被关掉之后，Amazon 也跟着限制了团队级用量统计的可见性。WSJ 引用一位匿名 AI 顾问的说法：某个客户因为没有给员工设 Anthropic Claude 的使用限制，单月账单意外砸出五亿美元（WSJ）。

鸭哥在群里把这条线继续往前推了一步：如果不持续投入研发和 AI token 费用，可能过不了 12 个月就要被淘汰，SaaS 的商业模式会越来越像半导体——重资产、需要持续投入。群友陈浩接了一句很准的话："和 FinOps 相对应的 FinTokens，迟早会成为显学，我的猜测是不超过两个月。"

另一端也在发生同一件事，方向相反。Accel 刚领投了 Viktor 的 7500 万美元 A 轮。Viktor 是一个在 Slack 和 Teams 里工作的 AI 同事，连接超过 3000 个 SaaS 工具，十周内跑到 1500 万美元 ARR（TNW）。两个前软银基金经理创办的 Wall Street Prompt，给华尔街做 AI 培训每天收 25000 美元，客户排队两个月，花旗和美银都在名单上（Bloomberg）。

这两端加起来说的是一件事。花大钱买 AI 能力的客户，正是那些正在被 token 成本拉低毛利的 SaaS 本身。AI 在经济系统里不是单向的省钱者，而是一个重新分配成本结构的机制。它在 A 公司省下来的钱，到了 B 公司变成了新成本。能活下来的 SaaS，必须把这个成本转换的账算在自己那一边。

---

也值得知道

一个律师造了 45 个 AI Skill 并开源了：legal-skills 仓库从 2025 年底到现在 513 次 commit，255 个 Star。群里有人转发后说要把链接发给律师朋友。这件事本身是 Harness Engineering 在非技术领域的自然延伸：专业判断不再等于手写文书，等于为 AI 定义正确输出。

91.6% 的公司后悔 AI 导致的裁员：Careerminds 对 600 名 HR 领导者的调研中，32.7% 的企业已重新招聘了裁撤岗位的 25%-50%，35.6% 重新招了超过一半。54.6% 发现 AI 需要比预期更多的人工监督（Careerminds）。

智谱和 MiniMax 启动 A+H 上市：MiniMax 港股上市后股价涨了 4 倍，5 月底提交了 A 股辅导备案。智谱也在推进港股上市。群里崔富泽说现在模型厂的待遇是互联网公司天花板，有人在 GitHub 上建联候选人比看简历更高效（TNW）。

GLM-5"降智"事故的根因公开了：智谱发了一篇复盘文章，把 GLM-5 的 KV Cache 竞态问题摆上台面。在日均数亿次 Coding Agent 调用量下，缓存命中时的 race condition 导致了输出质量下降。DS 去年 12 月解决了同类问题，智谱今年 4 月才搞定。群里多喝热水说了一句让人意外的话：依赖开源不是坏事，至少踩过的坑还拿出来分享了。

---

本期素材来自 AI Builder Space 社群讨论与公开 AI 行业信息的交叉验证。

本文由AI综合领域调研和微信群聊自动生成。请注意甄别幻觉。

订阅本 newsletter：daily.yage.ai