如何衡量人工复核对智能体成本的影响?

很多团队在智能体成本优化上会先盯 Token 账单，等模型费用降下来后却发现整体交付成本并没有同步下降。原因往往不在模型侧，而在人工复核：审核、修改、补充证据、处理失败任务和用户申诉所占用的工时，没有随调用价格一起变化，甚至在输出质量波动时反向上升。因此，衡量人工复核对成本的影响，第一步不是找一个更精细的仪表盘，而是把复核活动本身当作一项可观测成本来记录。

先建立复核工时基线

人工复核成本最直接的计量单位是时间，但多数团队并没有现成的工时数据。可行起点是抽样：选一条调用量稳定、业务结果可判断的流程，记录复核是否发生、单次处理时长以及触发原因。这里的关键是区分复核类型——是例行审核，是因为模型输出不完整而修改，是为了补充证据反复查证，还是处理失败任务和用户申诉。不同类型的工时结构差异很大，混在一起统计会掩盖真正的成本来源。抽样阶段不必追求全量覆盖，先拿到可用的基线，再逐步接入工单或审核流程记录。

把复核挂到任务上，而不是挂在人身上

仅有工时总量还不够，因为成本分析需要回答“哪类任务消耗了更多复核时间”。这要求一次用户任务及其模型调用、工具执行、重试和人工接管共享同一个任务标识，并附带团队、应用、环境和模型等归属字段。没有这层关联，复核工时只能停留在部门月度汇总层面，无法与具体智能体行为对应，也就无法判断是提示词设计、工具返回质量还是模型选择导致返工。工时记录天然分散在审核系统和工单系统中，如果不同时保留任务标识，后续对账会非常困难。

用合格任务成本做统一口径

将人工复核纳入成本后，比较方案时更有意义的指标是每个合格任务的总成本，即相关模型与工具费用、基础设施分摊以及人工复核和异常处理成本之和，再除以合格完成的任务数。合格的标准需要业务团队预先定义，例如结果经过必要审核、满足准确性要求且无需重新处理。失败任务和重试的费用也应计入，而不是只统计成功调用。这个口径的价值在于它不会让低价模型自动胜出：单次调用价格下降，如果复核率和重试率上升，单位合格任务成本可能反而更高。

关注联动指标，而非单项最低

人工复核数据需要和费用数据一起看才有解释力。比较有用的联动指标包括复核率、重试率以及复核工时的分布。某条流程的 Token 费用下降，如果同时带来更多返工和申诉，不能视为有效优化。反过来，适当增加模型调用或工具查询以提升一次通过率，只要复核工时下降幅度更大，总成本可能是改善的。衡量人工复核影响的终点，不是把某一项指标压到最低，而是知道每个合格任务为什么花钱、复核负担落在哪个环节，以及成本异常时能否及时定位到具体任务。