@RampLabs: AI支出以令牌、模型调用次数和美元衡量。然而，这些字段都没有描述实际进行的工作……

X AI KOLs Following 工具
ai-spend roi-tracking semantic-layer cost-management agent-monitoring data-attribution ramp-labs

摘要

Ramp开发了一个语义层，将AI代理支出归因于目标和结果，从而从监控支出转向理解AI投资回报率。

AI支出以令牌、模型调用次数和美元衡量。然而，这些字段都没有描述实际进行的工作。 在Ramp，我们构建了一个语义层，将代理支出归因于目标和结果。这使我们能够从监控AI支出转向理解AI投资回报率。 以下是我们如何构建它的
查看原文
查看缓存全文

缓存时间: 2026/09/02 11:57

AI 支出以 token 数、模型调用次数和美元金额来衡量。然而，这些指标均未描述实际完成的工作内容。

在 Ramp，我们构建了一个语义层，将代理支出归因到具体目标和结果。这使我们得以从监控 AI 支出转向理解 AI 投资回报率（ROI）。

以下是我们构建该系统的方法：

我们将代理追踪数据拆分为独立的工作单元。17% 的运行实例包含多个工作项目，却占用了 58% 的模型资源消耗。同时，30% 的多关联会话运行实例实际上仅对应一个工作项目。

我们并未采用固定分类体系，而是让标签从生产环境的代理追踪数据中自然涌现。由于分类体系是通过学习形成的，它能够随着使用场景的演进持续优化。

最终形成了每个工作项目的目标、结果和成本记录。这使我们能够衡量所部署代理的投资回报率，并实现智能化的资源分配。

完整工程文档请见：

相似文章