DeepSeek 公开一处工程细节：AI Agent 烧钱不在模型

DeepSeek 这次开源的代码里藏了一组数字：同一套会话，换一个工程策略，缓存命中率从 6.4% 跳到 59.7%——9 倍差距。这件事值得我们关心：AI Agent（能自主拆解任务并执行的人工智能）落地的最大成本不在模型本身，而在工程架构。

这是什么

这是掘金上一篇 DeepSeek-Code 源码解读，讲的是 Agent 的两个核心能力：计划模式（先想清楚再动手）和子 Agent（派分身并行干活）。 文章核心洞察叫「信号归模型，约束归 harness」。模型表达意图，系统施加强制——进入计划模式时，不是靠提示词（写给 AI 的指令）让模型「只读」，而是在执行层物理设一道门禁，写工具根本调不通。 这看起来是工程细节，却带来 9 倍缓存命中率差异。原因在于 DeepSeek 把工具表计入前缀缓存（模型调用时缓存的已处理文本，命中率高就省钱）。工具表一变，整个会话历史要重新预填充（把历史文本重新处理一遍），用户最敏感的时刻延迟翻倍。

行业怎么看

支持方认为这是中国 AI 公司工程成熟度的信号——不再卷参数，开始卷基础设施。有从业者直言：「硅谷还在比基准分，我们已经在比缓存命中率了。」 但反对意见同样值得听。一种声音指出，9 倍差距是 DeepSeek 特有的实现细节（它把工具表计入缓存哈希），OpenAI、Anthropic 协议未必如此，简单套用会误判。更根本的质疑是：单点优化掩盖了 Agent 整体复杂度——真正落地卡住的，往往是业务流程对齐、数据合规、多系统集成，这些工程技巧解决不了。

对普通人的影响

对企业 IT：评估 Agent 供应商时，模型能力只是入门券，工程架构（缓存策略、并发控制、审批熔断）才是长期成本的决定项。 对个人职场：用 AI 跑长任务时，「它能不能保持记忆」背后是真实的算力账单，理解这一点有助于判断哪家工具更值得付费。 对消费市场：AI 助手价格会继续分化——便宜的背后是工程优化，好的背后不光是聪明，更是「省得聪明」。