hhs
10f676f3b4
- 移除 Obsidian 特有语法（callout、wikilinks、YAML frontmatter） - 目录结构从 3 层嵌套扁平化为编号文件（01~09） - 新增 docs/README.md 文档索引与推荐阅读顺序 - 精简冗余解释，保留所有代码块和实现参考 - CLAUDE.md 全面中文化
78 lines
3.0 KiB
Markdown
78 lines
3.0 KiB
Markdown
# 成本控制
|
||
|
||
## 概述
|
||
|
||
实时视频流 + 多模态 LLM 推理的成本极易失控。从**视觉链路**、**语音链路**、**推理链路**三个维度梳理成本控制策略，核心思想是**端云协同**——将适合的计算前置到客户端，降低对云端 API 的依赖。
|
||
|
||
**成本对比**：优化前（1fps 全量发送）vs 优化后（0.2fps + 端侧筛选 + 模型分级）→ 月成本从 **$5000 降至 $300~500**，降幅约 90%。
|
||
|
||
## 成本构成
|
||
|
||
```
|
||
总成本
|
||
├── 视觉链路：图像编码与传输、视觉 token 消耗
|
||
├── 语音链路：STT 按分钟计费、TTS 按字符计费
|
||
└── 推理链路：LLM 输入 tokens、LLM 输出 tokens
|
||
```
|
||
|
||
假设：10 分钟/天/用户，1fps，每次 1000 tokens → 一天 60 万 tokens。1000 用户时成本不可控。
|
||
|
||
## 策略一：智能采样——少发图，发好图
|
||
|
||
| 策略 | 降本幅度 | 实现复杂度 | 说明 |
|
||
|------|---------|-----------|------|
|
||
| 提高采样间隔 | 高 | 低 | 从 1fps 降到 0.2fps |
|
||
| 关键帧过滤 | 中 | 中 | 画面不变时不发送 |
|
||
| 用户触发 | 高 | 低 | 只在用户提问时拍照 |
|
||
| 本地预筛选 | 中 | 高 | 用轻量模型判断"是否值得问 LLM" |
|
||
|
||
```typescript
|
||
// 混合策略：定时低频 + 事件高频
|
||
const NORMAL_INTERVAL = 5000; // 正常 5 秒一帧
|
||
const ACTIVE_INTERVAL = 1000; // 用户说话时 1 秒一帧
|
||
|
||
let isUserSpeaking = false;
|
||
|
||
setInterval(() => {
|
||
captureAndSend(isUserSpeaking ? "low" : "high");
|
||
}, isUserSpeaking ? ACTIVE_INTERVAL : NORMAL_INTERVAL);
|
||
```
|
||
|
||
## 策略二：端云协同——把计算推到边缘
|
||
|
||
不是所有计算都需要上云。可前置到客户端的计算：
|
||
|
||
- **VAD 语音检测**：浏览器端完成，减少无效音频上传（节省 ~70% 带宽）
|
||
- **人脸/物体检测**：用 ONNX Runtime 跑轻量模型（如 YOLOv8-nano ~6MB，推理 ~30ms），只在检测到新物体时触发 LLM
|
||
- **重复画面过滤**：计算帧间相似度，相似度 > 90% 直接跳过
|
||
- **敏感内容过滤**：NSFW 检测前置，避免无效 API 调用
|
||
|
||
## 策略三：模型分级——用对模型做对事
|
||
|
||
不是每个问题都需要最贵的模型：
|
||
|
||
```
|
||
用户提问 → 问题复杂度判断
|
||
├── 简单识别 → GPT-4o-mini ($0.15/1M tokens)
|
||
├── 深度分析 → GPT-4o ($2.5/1M tokens)
|
||
└── 代码/推理 → o1 ($15/1M tokens)
|
||
```
|
||
|
||
```typescript
|
||
async function routeQuery(image: string, question: string) {
|
||
const complexity = await classifyComplexity(question);
|
||
const modelMap = {
|
||
simple: "gpt-4o-mini", // "这是什么？"
|
||
moderate: "gpt-4o", // "分析这张图"
|
||
complex: "o1" // "推理/规划"
|
||
};
|
||
return callLLM(modelMap[complexity], image, question);
|
||
}
|
||
```
|
||
|
||
## 策略四：缓存与复用
|
||
|
||
- **语义缓存**：相似问题直接返回缓存结果（如反复问"这是什么"）
|
||
- **上下文复用**：连续对话中，未变化的图像不必重复发送
|
||
- **Prompt 压缩**：精简 system prompt，减少每轮的固定 token 开销
|