作者注:以同等交付标准下的成功任务成本,比较 ChatGPT Dots 订阅与自建 Agent 在模型、基础设施、维护和人工审核上的支出。
核心结论:判断「每月花 100 美元养一个 AI 员工」是否划算,要看在同一交付标准下,完成一项合格任务的总成本,月费和 Token 单价都只是其中一部分。按 2026 年 11 月 16 日的官方资料,个人用户使用 ChatGPT Dots 的门槛是 Pro 100($100/月),订阅里打包了云端计算机、长期上下文、任务协调和应用连接。在一个假设样本下,自建 Agent 每月 300 次任务的模型费用约为 $33 到 $66,但这还没算服务器、工具、开发维护、失败重试和人工审核。哪条路线更便宜,需要用同一批任务实测后才能下结论。
本文先拆开 Dots 订阅的价格口径和能力范围,再把自建 Agent 的成本分成模型、基础设施、工具、开发和维护五类,并用 API易的 Claude 价格演示单任务 Token 费用的算法。接着用六个维度对比 Dots、单模型 Agent 和多模型 Agent,给出一套以「成功任务成本」为核心的对照实验方法。最后按个人用户、重度开发者和企业三类需求给出选择建议,并介绍订阅与 API 混合使用的成本管理方式。

To Know:理解 AI 员工成本的 8 个术语
| 术语 | 解释 |
|---|---|
| Pro 订阅 | 按月付费的 ChatGPT 套餐,包含相应权益和使用额度,Pro 100、Pro 200、Pro 500 均可使用 Dots |
| Dot | ChatGPT Dots 中的常驻个人 Agent,拥有自己的云端计算机和浏览器,可持续推进委派任务 |
| Token | 模型计量输入和输出内容的单位,API 按每百万 Token 计价 |
| 缓存读取 | 请求中重复的前缀内容(如系统提示词、工具定义)复用已有处理结果,单价远低于普通输入 |
| 缓存写入 | 首次把可复用前缀保存下来,供后续请求读取,计费规则以平台控制台为准 |
| 基础设施成本 | 自建 Agent 所需的服务器、容器、数据库、存储和执行环境费用 |
| 任务成功率 | 按统一验收标准,一次或多次运行后合格交付的任务占比 |
| 成功任务成本 | 全部运行(含失败重试)、基础设施和人工审核的总支出,除以合格交付的任务数 |
1 每月 100 美元的 ChatGPT Dots 买到了什么
1.1 ChatGPT Dots 的个人 Pro 与企业价格口径
ChatGPT Dots 于 2026 年 9 月 29 日由 OpenAI 正式发布。它的定位是常驻型个人 AI Agent:用户委派目标后,Dot 可以在用户离开、电脑关机时继续在云端推进工作,需要决策时再把事项交还给用户。
谈 Dots 的价格,必须把个人 Pro 和企业 Dot 分开说。下表依据 OpenAI 官方帮助文档整理,检索日期为 2026 年 11 月 16 日。
| 适用对象 | 费用口径 | 适用条件 | 另行计费部分 |
|---|---|---|---|
| ChatGPT Pro 100 | $100/月 | 18 岁以上;不含欧洲经济区、英国、瑞士;逐步开放 | 委派的 Work/Codex 任务消耗对应产品额度 |
| ChatGPT Pro 200 | $200/月 | 同上 | 同上 |
| ChatGPT Pro 500 | $500/月 | 同上 | 同上 |
| Enterprise 工作区 | 按工作类型固定费率或按用量计费,金额以工作区合同或报价为准 | 2026-11-04 至 11-18 为免费管理员预览期,11-18 起启用的 Dot 开始计费;每位成员可创建 1 个个人 Dot | 委派至 Work 或 Codex 的任务按相应标准另行收费 |
个人 Pro 的 Dots 说明中没有列出单独的每月 Dot 订阅费,Pro 月费即是使用门槛。官方同时说明,Dot 委派出去的 ChatGPT Work 或 Codex 任务按对应产品的额度规则计算,消耗量取决于模型、上下文、推理、工具调用和检索等因素。所以 $100/月对应的是一组有边界的使用额度,官方资料中也没有公布个人 Pro 的 Dot 深度工作对应多少次任务。
1.2 Dots 订阅打包的 AI 员工能力
把 Dots 和 API 调用放在一起比较时,容易只盯着「模型」这一项。实际上订阅打包了一整套运行环境,自建时这些都要自己实现:
- 云端计算机与浏览器:每个 Dot 有自己的云端计算机,可以打开网站、整理文档、制作报告,用户可以随时查看并接管操作。
- 长期上下文:结合 ChatGPT Memory、Dot 自己的笔记、当前任务材料和已授权应用的数据。
- 多项目协调:拆分复杂任务、启动后台研究 Agent 并行处理、汇总结果、在阻塞时请求用户介入。
- 持续工作模式:支持定时任务和事件监控,例如每周检查竞品、监测 Slack 中出现的新 Bug。
- 主动研究:在没有新消息时研究已授权的数据源,这一过程是只读的,后续行动需走正常审批。
- 应用连接与沟通渠道:发布时官方描述可连接的插件生态超过 4,000 个应用,可通过 ChatGPT、Slack、Microsoft Teams 等渠道联系。
- 权限与安全机制:Custom Rules 设定执行边界,Auto-review 在发送邮件等操作前检查,修改密码、转移资金等操作必须由用户接管。
第三方实测提供了能力边界的参考。Axios 在 2026 年 10 月 20 日的测试中,Dots 制作了 38 页 WNBA 纪念节目册,并用 47 秒生成 12 页照片纪念册,但节目册里出现了值得质疑的统计数据,购物环节也需要用户转到 Target 应用自行完成。作者的结论是:这类 Agent 适合承担研究和准备工作,结果仍需人工编辑和事实核查。这一结论直接决定了后文成本模型必须包含人工审核。
2 自建 AI 员工 Agent 的完整成本
2.1 自建 Agent 的五类成本
用 API 搭建一个能持续工作的 Agent,账单远不止模型调用。可以把成本拆成五类:
- 模型费用:输入、输出、缓存读写和推理消耗,随任务量线性变化。
- 基础设施费用:云服务器、容器、数据库、存储,一部分是固定月租,一部分随负载变化。
- 工具费用:搜索 API、无头浏览器、第三方数据接口,通常按调用次数计费。
- 开发费用:初次开发、系统集成、权限设计,前期投入集中。
- 维护费用:监控告警、故障排查、模型升级后的回归测试,持续发生。
写成公式:
$$C_{self}=C_{API}+C_{infra}+C_{tools}+C_{dev}+C_{maintenance}$$
订阅路线的成本结构是:
$$C_{subscription}=C_{plan}+C_{extra\ usage}+C_{human\ review}$$
两条路线都要计入人工时间。自建路线的人工时间分布在开发、维护和审核上;订阅路线的人工时间主要在任务委派、结果检查和审批上。
2.2 一套自建 AI 员工 Agent 的设计方案
下面是一套用于成本测算的设计方案,用来说明自建 Agent 需要哪些组件,各组件的费用请按你实际选用的云服务报价填入,本文没有对该方案做部署实测。
- 调度层:定时触发器或消息队列,负责「每天早上 8 点生成情报」这类周期任务。
- 编排层:Agent 框架负责规划步骤、调用工具、保存中间状态(如 LangGraph 的 Checkpointer 或 OpenAI Agents SDK 的工作流)。
- 模型层:通过 OpenAI 兼容接口调用模型,按任务难度路由到不同型号。
- 工具层:搜索、网页抓取、无头浏览器、文件生成。
- 状态层:数据库保存任务记录、长期笔记和去重信息。
- 审批层:涉及外发、付款、删除的操作进入人工审批队列。
- 观测层:记录每次调用的 Token、耗时、失败原因,作为成本核算的数据来源。

这张图对应的七个组件里,只有模型层的费用能直接按 Token 价格算出来,其余组件的费用取决于架构选型和团队能力。这就是 Token 费用只能代表自建成本一部分的原因。
3 一项 AI 员工任务消耗多少 Token
3.1 输入、输出与缓存的计费差异
Agent 的一项任务通常包含多轮模型调用:规划一次、每次工具调用后再推理一次、最后汇总一次。每一轮都会把系统提示词、工具定义、历史步骤重新作为输入发送,所以 Agent 的输入 Token 往往远大于输出 Token。
这正是缓存发挥作用的地方。系统提示词和工具定义在多轮调用中保持不变,命中缓存后按缓存读取价计费,单价约为普通输入的二十分之一。缓存写入发生在首次保存前缀时,其价格以平台控制台为准,本文示例中未计入。
3.2 用 API易价格计算单任务模型费用
以下价格来自 API易 2026 年 11 月 13 日公布的 Claude 模型价格,实际以调用时控制台和模型列表为准。任务用量是用于演示算法的假设样本:每项任务输入 30,000 Token、输出 5,000 Token,每月 300 项任务。该样本与 Dots 或任何平台的真实平均用量无关。
| 计算项 | Claude Opus 5.5 | Claude Sonnet 5.5 |
|---|---|---|
| 输入价 / 输出价 / 缓存读取价(每百万 Token) | $4 / $20 / $0.20 | $2 / $10 / $0.10 |
| 单任务费用(无缓存) | 30,000×$4/10⁶ + 5,000×$20/10⁶ = $0.22 | 30,000×$2/10⁶ + 5,000×$10/10⁶ = $0.11 |
| 300 项任务月费用(无缓存) | $66 | $33 |
| 单任务费用(假设 20,000 输入 Token 命中缓存读取) | $0.04 + $0.004 + $0.10 = $0.144 | $0.02 + $0.002 + $0.05 = $0.072 |
| 300 项任务月费用(含缓存读取假设) | $43.2 | $21.6 |
| 可用平台 | API易、官方 API | API易、官方 API |
在这个假设下,纯模型费用低于 Pro 100 的 $100 月费。这个结果只说明模型层便宜,它没有包含基础设施、工具、开发维护和人工审核,也没有考虑失败重跑。
3.3 用代码记录 AI 员工任务的真实 Token 用量
成本测算要用真实用量替换假设值。下面的极简示例调用一次模型,并读取返回的 usage 字段:
import openai
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # API易 OpenAI 兼容接口
)
resp = client.chat.completions.create(
model="claude-sonnet-5.5", # 以 API易 模型列表中的实际名称为准
messages=[{"role": "user", "content": "汇总今天的 AI 行业新闻要点"}]
)
print(resp.usage) # 输入、输出 Token 数,用于成本核算
查看完整实现:记录每次运行并计算成功任务成本
import time
import openai
from dataclasses import dataclass, field
# 每百万 Token 价格(美元),以调用时控制台为准
PRICES = {
"claude-opus-5.5": {"input": 4.0, "output": 20.0, "cache_read": 0.20},
"claude-sonnet-5.5": {"input": 2.0, "output": 10.0, "cache_read": 0.10},
}
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1"
)
@dataclass
class RunRecord:
task_id: str
model: str
input_tokens: int
output_tokens: int
cached_tokens: int
seconds: float
cost: float
passed: bool = False # 按统一验收标准人工判定
review_minutes: float = 0.0 # 人工检查与修正时间
@dataclass
class Ledger:
runs: list = field(default_factory=list)
def call(self, task_id: str, model: str, messages: list) -> str:
start = time.time()
resp = client.chat.completions.create(model=model, messages=messages)
usage = resp.usage
details = getattr(usage, "prompt_tokens_details", None)
cached = getattr(details, "cached_tokens", 0) or 0
p = PRICES[model]
uncached_input = usage.prompt_tokens - cached
cost = (uncached_input * p["input"]
+ cached * p["cache_read"]
+ usage.completion_tokens * p["output"]) / 1_000_000
self.runs.append(RunRecord(task_id, model, usage.prompt_tokens,
usage.completion_tokens, cached,
time.time() - start, cost))
return resp.choices[0].message.content
def cost_per_success(self, hourly_rate: float, fixed_cost: float = 0.0) -> float:
"""(全部运行费用 + 固定成本 + 审核人工) / 合格任务数"""
api = sum(r.cost for r in self.runs)
review = sum(r.review_minutes for r in self.runs) / 60 * hourly_rate
passed_tasks = {r.task_id for r in self.runs if r.passed}
if not passed_tasks:
return float("inf")
return (api + fixed_cost + review) / len(passed_tasks)
ledger = Ledger()
text = ledger.call("news-1116", "claude-sonnet-5.5",
[{"role": "user", "content": "汇总今天的 AI 行业新闻要点"}])
ledger.runs[-1].passed = True
ledger.runs[-1].review_minutes = 8
print(ledger.cost_per_success(hourly_rate=30, fixed_cost=0))
🚀 快速上手建议:做成本对照实验时,可以先在 API易 apiyi.com 用同一个 API Key 分别调用 Opus 和 Sonnet,把上面的 Ledger 接进你的 Agent,跑满一周真实任务再看账本。平台按量计费,新用户有免费测试额度,适合在投入开发前先拿到真实 Token 数据。
4 AI 员工成本为什么随模型拉开差距
在第 3 节的假设样本中,Opus 5.5 的单任务模型费用是 Sonnet 5.5 的两倍。只看这一列,Sonnet 每月能省下 $33。但 Agent 任务的最终成本还受成功率和人工审核影响,下面用一组假设参数演示这种影响。
假设 Opus 一次运行合格率为 90%,Sonnet 为 60%,不合格的任务重跑直到合格。按期望值计算,每个合格任务的模型费用分别约为 $0.22÷0.9 ≈ $0.24 和 $0.11÷0.6 ≈ $0.18。成功率差距已经吃掉了一大半单价优势。
人工时间的影响更大。假设审核人员时薪折算为 $30,每分钟人工约 $0.5。只要 Sonnet 的输出平均每项任务多需要 1 分钟修正,增加的 $0.5 就超过了两种模型的全部单价差。对需要逐条核对数据的情报和报告类任务,审核时间往往以分钟计,这时选择更稳定的模型反而降低总成本。
反过来,格式固定、易于自动校验的简单任务(如分类、摘要、字段提取),低价模型的成功率可能与高价模型接近,这类任务用 Sonnet 或更便宜的模型更合理。这两个方向的判断都需要用真实任务测出成功率后才能落地。
5 Dots、单模型 Agent、多模型 Agent 的 AI 员工六维对比

| 维度 | ChatGPT Dots | 单模型 Agent(自建) | 多模型 Agent(自建) |
|---|---|---|---|
| 订阅费用 | 个人 Pro $100/月起;企业按合同 | 无 | 无 |
| 模型费用 | 包含在订阅额度内,委派 Work/Codex 另计额度 | 按 Token 计费,随任务量线性增长 | 按 Token 计费,可按难度路由压低均价 |
| 基础设施 | 官方提供云端计算机和浏览器 | 自备服务器、数据库、浏览器环境 | 同单模型,另需路由与评估逻辑 |
| 开发维护 | 接近零开发,主要是配置规则和权限 | 初期开发投入较高,持续维护 | 开发和维护复杂度最高 |
| 任务完成率 | 需按自身任务实测,第三方实测显示仍需人工核查 | 取决于模型和工程质量,需实测 | 取决于路由策略,需实测 |
| 人工审核 | 必需,有 Auto-review 和审批机制辅助 | 必需,审批流程需自建 | 必需,审批流程需自建 |
| 模型接入 | OpenAI 产品内置 | 可通过 API易 统一接口 | 可通过 API易 一个 Key 调用多家模型 |
Dots 对标分析:Dots 在开箱即用、跨应用协作和长期上下文上具备明显优势,云端计算机、4,000+ 应用生态和多渠道沟通都无需开发。它的边界在于额度规则不透明到任务次数、执行逻辑无法深度定制,个人 Pro 还受地区和年龄限制。
单模型 Agent 对标分析:单模型 Agent 的成本结构最清晰,每次调用的 Token 和费用都可以精确记录,执行逻辑完全可控。它的代价是要自建浏览器、调度、状态和审批,任务完成率完全依赖团队的工程能力。
多模型 Agent 对标分析:多模型 Agent 把简单步骤交给低价模型、把关键推理交给强模型,在任务量大时最有机会压低成功任务成本。它对评估体系要求最高,需要持续监测每种模型在每类步骤上的成功率。
6 用成功任务成本衡量 AI 员工是否划算
6.1 成功任务成本与 ROI 公式
统一衡量口径是:
$$C_{successful\ task}=\frac{C_{all\ runs}+C_{infrastructure}+C_{review}}{N_{successfully\ completed\ tasks}}$$
分子包括所有运行(含失败和重试)、分摊到该周期的基础设施和人工审核;分母只计合格交付的任务。对 Dots,分子中的「运行费用」换成订阅月费和额外用量。
在此基础上可以计算投入产出比:
$$ROI=\frac{V_{time\ saved}-C_{total}}{C_{total}}$$
时间节省要用人工原本完成该任务的实际时长乘以合理的人力成本,模型几十秒生成一份文档,只代表生成速度,节省的人工时间要扣掉检查和修正的部分。
6.2 三类任务的 AI 员工成本对照实验
建议选取三类有代表性的持续任务:每日 AI 新闻情报、每周竞品监控、每月资料分析报告。用同一输入资料、同一交付标准,分别交给 ChatGPT Dots、API易 + 单模型 Agent、API易 + 多模型 Agent 执行,每次运行记录下表各项:
| 记录项 | 记录方法 | 用途 |
|---|---|---|
| 开始与完成时间 | 任务日志时间戳 | 计算实际交付周期 |
| 模型调用次数 | 编排层计数 | 识别循环和过度调用 |
| 输入 / 输出 / 缓存 Token | API 返回的 usage 字段 | 计算模型费用和缓存收益 |
| 工具调用次数 | 工具层计数 | 计算搜索、浏览器等费用 |
| 失败与重试 | 失败原因分类 | 计算额外消耗 |
| 人工修正时间 | 审核人员计时 | 计算真实人力投入 |
| 最终验收结果 | 按预设清单判定合格 / 不合格 | 计算任务成功率和分母 |
Dots 一侧无法拿到 Token 明细,可以记录订阅费、额度消耗情况、完成时间、人工修正时间和验收结果,三条路线最终都换算成「每个合格任务花了多少钱和多少人工分钟」。实验周期建议至少覆盖一个完整月度报告周期,样本量太小时,个别失败会严重扭曲结果。
7 何时选择 Dots 订阅,何时自建 AI 员工 Agent
7.1 个人用户:优先考虑 Dots 订阅
- 日常事务委派:日程梳理、会议准备、邮件归类、旅行规划这类跨应用任务,Dots 的应用连接和云端计算机直接可用。
- 不想维护系统:自建 Agent 需要持续处理故障和升级,个人用户的时间成本通常高于订阅费。
- 前提条件:符合年龄和地区要求,并接受 Pro 额度规则;如果每月任务量很低,$100 的门槛需要对照实际使用频率评估。
7.2 重度开发者:适合自建或混合
- 需要定制执行逻辑:固定格式的情报抓取、特定数据源的监控、与内部系统深度集成。
- 需要精细成本控制:按步骤选择模型、利用缓存、按调用记录核算每一分钱。
- 已有技术能力:能自己搭建调度、状态和审批,开发成本可以摊薄到长期任务中。
7.3 企业团队:看合同报价与合规要求
- 已有 Enterprise 工作区:Dots 可由管理员统一配置,Business、Enterprise、Edu 工作区数据默认不用于模型训练,计费需按工作区报价核算。
- 需要接入内部系统或私有流程:自建 Agent 在执行环境、数据流向和审计日志上可控性更强。
- 大规模标准化任务:任务量足够大、流程足够稳定时,多模型自建 Agent 更有机会压低单任务成本,前提是用对照实验验证。
8 AI 员工的混合方案:订阅与 API 按量调用组合
订阅和 API 可以按任务特点分工,各自承担最擅长的部分:
- 日常交互和需要人工判断的工作:交给 Dots 或现有 ChatGPT 订阅,利用其长期上下文和审批机制。
- 稳定、可自动校验的批量任务:用 API 按量付费,交给低价模型处理。
- 高难度推理和关键结论:调用能力更强的模型,以更高单价换取更低的返工率。
- 任务高峰期:订阅额度紧张时,把可外移的任务切换到按量调用。

混合方案的关键是分开记账:订阅支出按月费计入,API 支出按调用日志计入,同一项任务只计入实际执行它的那条路线,避免重复计算。
💡 决策建议:先用 Dots 或现有订阅承接日常工作,同时挑出 1 到 2 类标准化任务,通过 API易 apiyi.com 接入多个模型跑对照实验。用一个月的成功任务成本数据决定哪些任务迁到 API、哪些留在订阅里,比一开始就整体二选一更稳妥。
常见问题 FAQ
Q1:ChatGPT Dots 是什么?
ChatGPT Dots 是 OpenAI 于 2026 年 9 月 29 日发布的常驻型个人 AI Agent。它拥有自己的云端计算机和浏览器,可以跨会话、跨应用持续推进委派的任务,并在需要用户判断时主动交还。
Q2:个人使用 Dots 每月要花多少钱?
截至 2026 年 11 月 16 日,个人用户需要订阅 ChatGPT Pro,Pro 100、Pro 200、Pro 500 的月费分别为 $100、$200、$500,三档都可使用 Dots,官方没有另列 Dot 月费。Dot 委派出去的 Work 或 Codex 任务按对应产品额度计算。
Q3:企业版 Dots 怎么计费?
符合条件的企业工作区可选择按工作类型的固定费率或按用量计费,具体金额以工作区适用的合同或报价为准。2026 年 11 月 4 日至 18 日为免费管理员预览期,11 月 18 日起启用的 Dot 开始计费,委派至 Work 或 Codex 的任务另行收费。
Q4:自建 Agent 的模型费用低于 $100,是不是就比 Dots 便宜?
还要加上服务器、数据库、搜索和浏览器工具、开发维护以及人工审核,并扣除失败重跑的影响。只有在同一批任务、同一验收标准下比较成功任务成本,才能得出哪条路线更便宜的结论。
Q5:如何用 API 快速测算自建 Agent 的模型成本?
可以按以下步骤操作:
1. 在 API易 apiyi.com 注册并获取 API Key,领取新用户测试额度。
2. 把本文代码中的 base_url 设为 `https://api.apiyi.com/v1`,接入 Ledger 记录每次调用的 Token。
3. 用真实任务分别调用 Opus 5.5 和 Sonnet 5.5,记录验收结果和人工修正时间,计算成功任务成本。
Q6:缓存对 Agent 成本影响有多大?
Agent 多轮调用中系统提示词和工具定义会反复发送,命中缓存后按缓存读取价计费,Claude 5.5 系列的缓存读取价约为普通输入的二十分之一。在本文假设样本中,三分之二的输入命中缓存时,单任务模型费用下降约三分之一。缓存写入价格以控制台为准。
Q7:Dots 能完全替代人工吗?
官方资料和第三方实测都显示 Dots 的结果需要人工检查。Axios 测试中 Dots 制作的节目册出现了存疑数据,涉及账户和资金的操作仍需用户接管,因此人工审核成本应始终计入总成本。
Q8:Dots 可以无限并行处理任务吗?
Dots 支持多项目和后台 Agent 并行,但执行环境和使用额度都有边界。一位 Reddit 用户自述,在启动独立任务时曾遇到执行环境不可用,连接本地 Linux 电脑后才得以继续,他也说明未能确认各执行路径的额度如何计算。
AI 员工成本核心要点 Key Takeaways
- 比较口径:用同一交付标准下的成功任务成本衡量,月费和 Token 单价都只是其中一项。
- 个人与企业分开算:个人 Pro $100/月起;企业 Dot 按工作类型或用量计费,以合同为准。
- 订阅打包了环境:云端计算机、长期上下文、应用连接和审批机制都是自建要补的成本。
- 模型费用只是一层:假设样本下每月 300 次任务模型费 $33–$66,未含基础设施和人工。
- 成功率决定真实成本:每多 1 分钟人工修正,就可能抵消两种模型的全部单价差。
- 混合使用更灵活:日常委派用订阅,标准化批量任务通过 API易按量调用并单独记账。
总结
每月花 100 美元养一个 AI 员工是否划算,取决于你交给它的任务和你的验收标准:
- Dots 的价值在于开箱即用的持续工作能力:云端计算机、跨应用协作和长期上下文省去了开发维护,适合个人用户和重视低维护负担的团队。
- 自建 Agent 的优势在于可控与可核算:执行逻辑可定制、每次调用可计费追踪,适合有稳定技术能力、任务标准化程度高的团队。
- 最终判断要靠对照实验:用三类真实任务记录 Token、重试和人工修正时间,比较每个合格任务的总成本。
建议先保留现有订阅处理日常工作,同时挑选一类标准化任务做 API 对照测试。推荐通过 API易 apiyi.com 用一个 API Key 接入多个模型,按量计费并记录真实用量,用数据决定哪些任务值得迁移。
📚 参考资料
-
OpenAI:Introducing dots:Dots 发布公告,产品定位、云端计算机与应用生态
- 链接:
openai.com/index/introducing-dots - 说明: 2026-09-29 发布的官方一手资料
- 链接:
-
ChatGPT Learn:Meet dots / Tasks and memory:产品概览、订阅资格、长期任务与记忆机制
- 链接:
learn.chatgpt.com/docs/dots - 说明: 了解后台 Agent、主动研究和定时任务的权威文档
- 链接:
-
ChatGPT Learn:Enterprise Dots 管理员指南:企业工作区开通与计费方式
- 链接:
learn.chatgpt.com/docs/enterprise/dots-admin-guide - 说明: 企业固定费率与按用量计费的现行说明
- 链接:
-
OpenAI Help Center:About ChatGPT Pro tiers:Pro 100 / 200 / 500 价格与额度规则
- 链接:
help.openai.com/en/articles/9793128-about-chatgpt-pro-tiers - 说明: 个人订阅价格的官方依据
- 链接:
-
OpenAI Help Center:Dots privacy, security, and safety FAQs:权限、审批、Auto-review 与数据政策
- 链接:
help.openai.com/en/articles/20001529-dots-privacy-security-and-safety-faqs - 说明: 评估人工审核与安全成本的必读资料
- 链接:
-
Axios:I tested Dots and Muse:Dots 与 Meta Muse 的第三方实测
- 链接:
axios.com/2026/10/20/battle-of-bots-openai-meta-ai-agents-test - 说明: 具体任务表现与失败案例
- 链接:
-
API易:Token 套餐额度不能直接比:订阅与按量付费的五步测算方法
- 链接:
help.apiyi.com/token-plan-quota-subscription-vs-pay-as-you-go.html - 说明: 单任务等效成本的计算框架
- 链接:
-
API易 模型价格表:Claude 等模型的现行价格
- 链接:
docs.apiyi.com/models - 说明: 实际调用前以此处和控制台为准
- 链接:
作者: APIYI 技术团队
技术交流: 欢迎在 API易 网站首页联系我们,更多模型接入与计费资料可访问 docs.apiyi.com 文档中心
