---
name: cpta-cost-model
version: 2.0
framework: 智能体管理学 · 模块五 · 框架F30
type: 分析型
description: >
  单位任务成本模型——计算CPTA/CPS五项成本构成，用业务语义成功率作为分母，
  评估Token成本下降趋势的战略影响。触发词：CPTA、CPS、成本核算、单位成本、
  Token成本、成本分析、Agent成本
governance_nerves: [意图管理, 边界与升级]
upstream_frameworks: [F28_SLO运营体系, F31_Agent价值核算]
downstream_frameworks: [F29_Agent绩效考核, F27_AgentOps成熟度评估]
chains: "CHAIN-E#4"
---

# F30 单位任务成本模型（CPTA/CPS）

## SKILL定位

**核心命题**：只算Token成本会严重低估CPTA。RAG密集型Agent中，工具调用成本可能超过Token成本。CPTA的正确计算需要包含五项成本，分母必须用业务语义成功率而非技术完成率。

**五项成本构成**：

```
CPTA = (Token成本 + 工具调用成本 + 人工审校成本 + 基础设施成本 + 构建摊销) / 业务语义成功任务数

       ┌──────────────────────────────────────┐
       │ Token成本       │ LLM API调用费用     │
       │ 工具调用成本     │ 外部API/数据库查询   │
       │ 人工审校成本     │ 人类审核/标注费用    │
       │ 基础设施成本     │ 服务器/存储/网络     │
       │ 构建摊销        │ 开发/测试/部署分摊   │
       └──────────────────────────────────────┘
                          ÷
              业务语义成功任务数（非技术完成数）
```

**Token成本年降10倍的战略意义**：Token成本快速下降意味着CPTA的瓶颈将从Token转向工具调用和人工审校。提前布局降低非Token成本的Agent将获得巨大优势。

---

## 信息采集（INPUT模板）

```yaml
cpta_input:
  # 一、Agent基本信息
  agent:
    name: ""
    type: ""
    monthly_task_volume: 0      # 月度任务总量
    business_success_rate: 0    # 业务语义成功率（%）
    technical_completion_rate: 0 # 技术完成率（%）

  # 二、Token成本
  token_costs:
    model_name: ""              # 使用的模型
    input_token_price: 0        # 输入Token单价（元/千Token）
    output_token_price: 0       # 输出Token单价（元/千Token）
    avg_input_tokens: 0         # 平均输入Token/任务
    avg_output_tokens: 0        # 平均输出Token/任务
    monthly_token_cost: 0       # 月度Token总成本（元）

  # 三、工具调用成本
  tool_costs:
    external_api_calls: 0       # 月度外部API调用次数
    avg_api_cost_per_call: 0    # 平均API成本/次（元）
    database_queries: 0         # 月度数据库查询次数
    avg_db_cost_per_query: 0    # 平均查询成本/次（元）
    rag_retrieval_cost: 0       # RAG检索成本（元/月）
    monthly_tool_cost: 0        # 月度工具调用总成本（元）

  # 四、人工审校成本
  human_costs:
    reviewer_hourly_rate: 0     # 审核人员时薪（元）
    avg_review_time_per_task: 0 # 平均审核时间（分钟/任务）
    review_ratio: 0             # 需审核的任务比例（%）
    monthly_human_cost: 0       # 月度人工审校总成本（元）

  # 五、基础设施成本
  infra_costs:
    server_monthly: 0           # 服务器月费（元）
    storage_monthly: 0          # 存储月费（元）
    network_monthly: 0          # 网络月费（元）
    monitoring_monthly: 0       # 监控工具月费（元）
    monthly_infra_cost: 0       # 月度基础设施总成本（元）

  # 六、构建摊销
  build_costs:
    development_cost: 0         # 开发总投入（元）
    amortization_months: 12     # 摊销月数
    monthly_build_cost: 0       # 月度摊销（元）
```

---

## 执行分析引擎（S1-S4四步法）

### S1：成本归集（Collect）

**任务**：收集五项成本的精确数据，识别隐性成本。

**成本归集模板**：

```yaml
cost_collection:
  period: "2026年3月"
  total_tasks: 10000
  successful_tasks: 9300       # 业务语义成功

  token_costs:
    total: 8500                # 元
    per_task: 0.85
    breakdown:
      input_tokens: 5500       # 元
      output_tokens: 3000      # 元

  tool_costs:
    total: 12000               # 元
    per_task: 1.20
    breakdown:
      external_api: 8000       # 元
      database: 2000           # 元
      rag_retrieval: 2000      # 元
    note: "⚠️ 工具调用成本超过Token成本"

  human_costs:
    total: 6000                # 元
    per_task: 0.60
    breakdown:
      reviewer_time: 5000      # 元
      annotation: 1000         # 元

  infra_costs:
    total: 3000                # 元
    per_task: 0.30
    breakdown:
      server: 1500
      storage: 500
      network: 500
      monitoring: 500

  build_costs:
    total: 5000                # 元（月摊销）
    per_task: 0.50

  total_monthly_cost: 34500    # 元
  cpta: 3.71                   # = 34500 / 9300
```

### S2：成本结构分析（Analyze）

**任务**：分析成本结构，识别主要成本驱动因素和优化空间。

**结构分析**：

```yaml
cost_structure_analysis:
  composition:
    token:      { amount: 8500,  ratio: "24.6%", rank: 3 }
    tool:       { amount: 12000, ratio: "34.8%", rank: 1 }
    human:      { amount: 6000,  ratio: "17.4%", rank: 2 }
    infra:      { amount: 3000,  ratio: "8.7%",  rank: 4 }
    build:      { amount: 5000,  ratio: "14.5%", rank: 5 }

  key_insights:
    - "工具调用成本占比最高（34.8%），是主要优化目标"
    - "Token成本占比低于预期，说明模型选择合理"
    - "人工审校成本仍有优化空间——降低审核比例可显著降本"
    - "构建摊销随时间递减，12个月后CPTA将自然下降14.5%"

  cost_driver_ranking:
    1: "工具调用成本（RAG检索+外部API）"
    2: "人工审校成本（审核比例过高）"
    3: "Token成本（可通过Prompt优化降低）"
```

### S3：优化策略制定（Optimize）

**任务**：基于成本结构，制定针对性优化策略。

**优化策略矩阵**：

```yaml
optimization_strategies:
  tool_cost_reduction:
    priority: "P0"
    current: 12000
    target: 8000
    actions:
      - "优化RAG检索策略，减少无效检索"
      - "引入缓存层，减少重复API调用"
      - "合并工具调用，减少总调用次数"
    expected_saving: 4000      # 元/月
    timeline: "2-4周"

  human_cost_reduction:
    priority: "P1"
    current: 6000
    target: 3000
    actions:
      - "降低审核比例（从当前X%降至Y%）"
      - "引入自动预审，减少人工审核量"
      - "优化审核流程，缩短单次审核时间"
    expected_saving: 3000
    timeline: "4-6周"

  token_cost_optimization:
    priority: "P2"
    current: 8500
    target: 7000
    actions:
      - "优化Prompt长度，减少无效Token"
      - "考虑使用更小模型处理简单任务"
      - "引入Token预算控制"
    expected_saving: 1500
    timeline: "2-3周"

  total_potential_saving: 8500  # 元/月
  projected_cpta: 2.80         # = (34500-8500) / 9300
  reduction: "24.5%"
```

### S4：趋势预测与战略判断（Forecast）

**任务**：基于Token成本下降趋势，预测CPTA演变路径。

**趋势预测**：

```yaml
cost_trend_forecast:
  token_cost_trend:
    current: 8500               # 元/月
    annual_decline_rate: 10     # 年降10倍
    projections:
      month_3: 7000
      month_6: 5000
      month_12: 2000

  cpta_projection:
    current: 3.71
    projections:
      month_3: 3.40            # Token优化后
      month_6: 2.80            # 工具+人工优化后
      month_12: 2.20           # Token持续下降后

  strategic_implications:
    - "6个月后Token成本占比将降至15%以下"
    - "工具调用和人工审校将成为CPTA的绝对主导"
    - "提前布局工具优化和自动化审核的Agent将获得成本优势"
    - "构建摊销在12个月后自然消失，CPTA进一步下降"
```

**治理神经检查**：
- **意图管理**：成本优化是否以牺牲质量为代价？
- **边界与升级**：CPTA超标时，人类介入的决策流程是什么？

---

## 输出格式

```yaml
cpta_report:
  agent: "XX客服Agent"
  period: "2026年3月"
  monthly_tasks: 10000
  successful_tasks: 9300

  cost_breakdown:
    token:      { amount: 8500,  ratio: "24.6%" }
    tool:       { amount: 12000, ratio: "34.8%" }
    human:      { amount: 6000,  ratio: "17.4%" }
    infra:      { amount: 3000,  ratio: "8.7%" }
    build:      { amount: 5000,  ratio: "14.5%" }
    total:      34500

  cpta: 3.71
  cpta_target: 2.50
  gap: "1.21元（超标48%）"

  top_cost_driver: "工具调用成本（34.8%）"
  
  optimization_potential:
    total_saving: 8500
    projected_cpta: 2.80
    timeline: "3个月"

  strategic_note: "Token成本年降10倍，工具调用成本将成为长期瓶颈"

  action_priorities:
    - "P0：优化RAG检索策略，目标降低工具成本30%"
    - "P1：降低审核比例，目标降低人工成本50%"
    - "P2：Prompt精简，目标降低Token成本18%"
```

---

## 质量自检

- [ ] 五项成本是否全部纳入计算？
- [ ] 分母是否使用业务语义成功率而非技术完成率？
- [ ] 隐性成本（如RAG检索）是否被识别？
- [ ] 优化策略是否考虑了质量影响？
- [ ] 趋势预测是否考虑了Token成本下降的战略影响？

---

## 典型误区

1. **"CPTA = Token成本/任务数"**：严重低估，忽略工具、人工、基础设施、构建成本
2. **"技术完成率=业务成功率"**：Agent说"已完成"不等于用户问题真正解决
3. **"Token成本会一直高"**：Token成本年降10倍，6个月后成本结构将完全不同
4. **"优化CPTA就是省钱"**：过度优化可能损害质量，需要在CPTA和质量之间平衡

---

## 框架衔接

| 方向 | 框架 | 衔接关系 |
|------|------|----------|
| ↑ 上游 | F28 SLO运营体系 | 成本层SLI依赖CPTA的精确计算 |
| ↓ 下游 | F29 Agent绩效考核 | 经济维度评分依赖CPTA数据 |
| ↓ 下游 | F31 Agent价值核算 | CPTA是ROI计算的成本侧输入 |
| → 并行 | F27 AgentOps成熟度评估 | M3跃迁需要CPTA可追踪 |

---

## 体系编排接线（CEO内核 P3/P4 阶段读取）

**编排内核**：本Skill由智能体CEO总编排内核统一调度（https://qiuyiwu.com/ams/skills/CEO.md）；独立使用不受影响，按上文标准流程执行即可。

**所属作战链**：
- **CHAIN-E 能力获取决策**（适用："自建、采购还是编排"）· 第4步/共4步（链尾·收束成报告输入）：F23 企业智能体六层架构 → **本框架**

**链式协议**：
- **接收上游**：链中执行时，上游框架的 OUTPUT-1 核心判断作为本Skill的补充上下文——已确认的事实不重复采集，直接进入分析。
- **传递下游**：本Skill的 OUTPUT-1 必须凝练为一句可直接传递的结论（含关键数字/定级），供下游框架作为输入前提。