用途
agent-cost-optimizer 为 AI 智能体运营提供全面的成本追踪、预算强制执行和 ROI 度量，目标是控制和优化 AI 支出，同时最大化交付价值。资料给出的 2025 年行业背景是：AI 平均支出为每月 85,521 美元（同比增长 36%），仅 50% 的组织能够衡量 AI ROI，IT 团队难以应对隐藏成本。
适用场景包括：跨技能追踪 AI 成本、防止预算超支、衡量 ROI（成本与交付价值对比）、优化模型选择（Opus、Sonnet 与 Haiku 之间）、规划 AI 预算、成本效益型开发、企业成本问责。
主要能力
该工具以基于任务的模式组织，包含 7 项成本管理操作：
-
跟踪 token 用量：初始化追踪记录，在每次 AI 调用后记录 prompt 与 completion token 数及所用模型，更新累计值，最终生成包含持续时间、token 总量、成本金额、模型和费率的记录，并追加到按日期的成本日志中。
-
计算成本：根据提供商定价计算准确成本。资料给出的 2025 年定价示例包括 Anthropic（Claude Opus 4.5 输入 15 美元/输出 75 美元每百万 token；Sonnet 4.5 为 3/15；Haiku 4.5 为 0.80/4）、OpenAI（GPT-5.1-codex 为 5/15；o3 为 10/40；o4-mini 为 1.50/6）、Google（Gemini 2.5 Pro 为 1.25/5；Gemini 2.5 Flash 为 0.15/0.60）。计算时分别按输入与输出 token 数与对应费率相乘并求和。
-
强制执行预算上限：设置月度预算、各技能预算与告警阈值（警告 80%、严重 95%）。操作前检查预算，超出则阻止操作并给出超支金额，达到阈值则给出警告，并建议成本更低的替代方案。
-
优化模型选择：依据任务类型、关键程度与剩余预算自动选择模型。例如关键任务且预算充足时使用 Opus，标准任务使用 Sonnet，预算低或简单任务使用 Haiku。
-
成本效益型缓存：通过对输入做哈希生成缓存键，操作前检查缓存，未过期则直接复用结果，避免重复计算。缓存条目包含创建与过期时间、输入、结果和节省的成本。资料称未变更代码的重复验证成本可降低 90%。
-
度量 ROI：对比无 AI 与有 AI 两种情况下的小时数与成本，计算节省时间、节省成本、ROI 百分比和回本周期，并生成月度 ROI 报告。
-
预测成本：基于历史成本数据（平均值与标准差）在启动高成本操作前估算成本范围与置信度，并评估对预算的影响，必要时给出替代方案。
使用方式
资料未提供安装命令或具体接入步骤，暂未提供。文档中以伪代码与 JSON 结构说明各项操作的调用方式，例如 trackTokens、calculateCost、checkBudget、selectModel、generateCacheKey、predictCost 等函数示例，以及用于按日/按月汇总成本的命令行示例（如使用 jq 汇总 .cost-tracking 目录下的日志）。
配置方面，使用 JSON 结构定义月度预算、各技能预算、告警阈值，以及带假设条件的月度预算规划示例（如每月 8 个功能、每功能 1.5 次验证、每月 2 次研究）。成本告警分为 80% 警告、95% 严重（含自动限流）与预算超支（阻止操作、需审批的紧急覆盖）三级。
成本优化策略
资料列出四类策略：模型选择（按层分配 Haiku/Sonnet，示例显示 10% 与 35% 两种节省幅度）、缓存（24 小时 TTL，未变更代码节省 90%）、集成优化（按关键程度使用 5、3 或 1 个智能体，平均节省 60%）、层级跳过（如仅运行第 1-2 层，约节省 80%）。文档同时说明了激进策略可能带来的质量下降权衡。
前置条件
必需：AI API 访问（Anthropic、OpenAI、Google）；成本追踪能力（API 用量数据）。 可选：Paid.ai 或 AgentOps 集成（高级成本追踪）；Prometheus/Grafana（成本可视化）；预算审批工作流。
限制
资料未说明该工具的具体安装方式、支持的运行环境、数据存储位置或安全与隐私处理方式，这些信息暂未提供。文档中的价格、节省比例、ROI 与告警示例均为资料给出的示例数据，实际结果取决于所用模型、用量与配置。