用途：当用户需要为 AI 智能体产品选择或论证定价模型时使用，产出推荐模型、分层结构与定价锚点，锚点基于智能体实际替代的预算。
主要能力：先对智能体做四项画像——职责广度（覆盖完整职能还是离散任务）、工作量可预测性、归因（完成结果能否清晰归功于智能体，自主性高低）、被替代的预算（人力、BPO/外包、工具预算或绩效项；人力预算约为工具预算的10倍）。再映射到四种模型：按智能体（FTE替代、固定月费）适合完整职能、稳定工作量、人力预算；按动作（消费）适合多样离散任务、频率不可预测、BPO预算；按工作流（完成的多步序列）适合标准化中间交付物的多步流程；按结果（为结果付费）适合高自主性+高归因、客户已在追踪的成功指标。经验法则：低自主性+松归因→席位或订阅；高自主性+高归因→结果；介于两者→工作流或混合（订阅底价+消费层）。
定价锚点：不要锚定算力成本，而锚定工作以其他方式完成的成本，例如SDR全成本约7万–9万美元/年、BPO人均约877美元/年、Intercom的Fin按每解决工单0.99美元收费。将价格表达为被替代成本的比例，并用最坏执行成本校验毛利。
分层结构：保留落在拥护者可支配预算内的入门层；用量波动时用积分作为桥梁（订阅含额度，约80%客户不超限）；结果定价需在签约前约定指标与测量方法。
限制与失败模式：按token定价会随LLM成本下降而趋零；无归因基础设施的结果定价会在续约时产生争议；对减少席位的智能体按席位定价会使自身成功缩小交易。必须说明推荐四种模型中的哪一种及另外三种为何不适用；绝不主要锚定模型/算力成本；绝不推荐未指明指标及验证方式的结果定价。具体价格与平台细节以实际资料为准，暂未提供更多。