Airbnb 每周有数千名工程师使用编码智能体,而到 10 月中旬,约三分之二的请求已流向五周内发布的新模型。它真正关心的不是哪个模型在榜单上得分最高,而是完成一项真实工作究竟要花多少钱。

这是什么

Airbnb 的内部工具 AirChat 通过大模型网关接入 Amazon Bedrock。Bedrock 是 AWS 提供的模型服务平台,可用统一接口调用多家模型,并统一处理访问控制、监控以及代码和提示词的运行。

Airbnb 将“每个任务成本”(完成一项任务所消耗全部令牌的标价成本)作为模型选型指标。发布前,它用自身真实任务做评测,比较质量与成本;上线后,再通过 CloudWatch 观察延迟、限流、输入与输出令牌消耗等信号。如果实际表现偏离评测结果,团队就追查原因。

行业怎么看

这件事的判断是,企业部署编码智能体(能自主调用工具、修改代码并完成多步骤开发任务的 AI 系统)时,模型能力只是入口,单位任务成本与稳定性才决定它能否持续运行。模型更新越来越快,旧有评测又无法完整反映真实工作负载,因此选型需要持续校准,而不是发布时做一次决定。

但成本指标不能单独代表价值。一次任务若只计算令牌费用,可能忽略返工、维护和风险;如果只看延迟,也可能牺牲复杂任务的完成质量。Airbnb 的做法是同时评测质量和成本,并结合生产监控,这是比单看价格更稳妥的方法。

风险也很明确:企业可能为了压低短期成本而频繁切换模型,却忽略行为差异、代码审查负担和供应商容量限制。编码智能体的经济账,最终仍要落在交付结果上。

对普通人的影响

对企业 IT:采购重点正从“调用哪个模型”转向“每个任务多少钱、是否稳定、能否监控”。预算也应按任务量和成功率测算,而非只按账号或令牌购买。

对个人职场:工程师会更常使用能完成完整开发任务的智能体,但工作重点可能转向提出清晰需求、审查代码和处理边界情况,而不是亲自敲完每一行。

对消费市场:企业压低智能体运行成本后,代码生成、测试和迁移等服务的报价可能下降;但价格优势能否传导给消费者,仍取决于交付质量和竞争程度。