AI 代码审查成本降 68%：Cloudflare 从提示词缓存到模型选型的逐项优化

作者 @_ryanskidmore 分享：@Cloudflare 内部 AI 代码审查的单次成本从 $2.43 降到 $0.77，审查耗时中位数也从 4m9s 缩短到 1m32s，代码质量类发现的真实问题数量基本没少。省下的钱约 4 成来自工程改动，约 6 成来自换模型和调整推理强度。
https://blog.cloudflare.com/obsessive-inference-optimization

成本为什么翻倍？
· 3 月到 8 月，单次审查成本从 $1.22 涨到 $2.32，架构上没有大改。
· 一小部分原因是大改动变多：完整审查档的占比从 59% 升到 65%。
· 主因是换模型：8 月起所有审查角色都换成 Claude 模型，单次成本从 $1.38 涨到 $2.03。内部规范审查角色 Codex 改用 Opus 4.7 后，每次从约 $0.25 涨到 $0.88。
· 缓存命中率从 85.7% 升到 97%，但每次审查的 token 量从 0.91M 涨到 2.99M，翻了三倍多，总账还是变贵了。
· 优化前的费用构成：缓存写入占 43%，缓存读取占 34%，输出只占 23%。钱主要花在模型已经看过或即将重复看到的上下文上。

工程优化（$1.67 降幅里贡献 $0.65）
1. 跨仓库共享缓存前缀，单项收益最大。 每个会话开头有 11k–21k token 的工具定义和系统提示词，所有仓库都一样，但会话首个请求的缓存命中率只有 14%–26%。原因是 OpenCode v1 把共享提示词和工作目录、日期等环境信息拼成一个块，只在块的末尾放了一个缓存断点，共享部分从来没有单独缓存过。修复方法是在共享部分末尾加标记、把块一分为二，并去掉断点前面所有和仓库相关的内容。同一天，他们还把规范审查用的参考索引直接写进提示词，它的 LLM 调用次数从 15.9 降到 9.6。这两项合计让单次成本从 $2.47 降到 $2.02。

2. 一批零碎改动，合计每次省约 $0.20：
· 去掉子审查角色用不了的工具。57%–76% 的会话都曾误调这个工具。
· 并行读文件。原先 64% 的轮次只调用一次工具。
· 复审时跳过没有新内容可看的审查角色。约 2/3 的任务是复审。
· 审查结果发出后直接结束，不再多跑一轮写一份没人看的总结。
· 把超时和服务商故障分开处理。
· 修复 GitLab 任务取消后仍继续运行的问题。抽样的 446 个已取消任务里，有 358 个一直跑完了审查。

3. 三个审查角色共享同一个前缀。 代码质量、安全、性能三个角色的首个请求完全相同，由一个写缓存，另外两个最多等待 20 秒再读，每个角色每次省约 9 美分。

模型与 effort 调整（贡献 $1.06）
· 协调角色改用 Opus 5.5、medium effort，审查结论与 Opus 5 相比没有可测出的变化。high effort 更贵，发现的问题却没有明显增加。
· Sonnet 5 和 Sonnet 5.5 每 token 价格相同，但 5.5 用的 token 少得多，单次成本低 47%–62%。代码质量角色在 medium effort 下每次只调用 1.7 次 LLM，原来是 6.2 次。
· 单价下降只贡献了约 $0.20，其余都来自 token 用量减少：缓存读取降 82%，缓存写入降 54%，输出降 67%。
· 代码质量角色改用 high effort：成本高 61%（每次约多 2 美分），严重和警告级发现多 58%。

审查质量：用两种方法验证
· 表面上看严重发现明显减少：代码质量 -40%，安全 -56%，性能 -71%。
· 作者是否据此修改了代码： 代码质量的严重发现被采纳的比例从 34% 升到 59%（偶然改动同一行的基线约 15%）。每千次审查中促成修改的发现数是 132 对比之前的 145，在误差范围内。四个角色合计从 229 升到 321。
· 盲评： 由两家不同服务商的模型评判 657 条发现，意见不一时交给第三个模型。“重要”发现从每次 0.28 条变为 0.30 条，置信区间重叠。被高估严重度的发现从每次 0.46 条降到 0.14 条，降了 70%，这是全文最明确的结果。
· 结论因角色而异： 代码质量用 high effort，主要去掉的是噪音和虚高的严重度。medium effort 下确实漏掉了真问题。性能角色的重要发现少了约 64%，安全角色降了约四分之一，但不显著，这两个下一步要测 high effort。
· 可靠性也有提升：审查没给出结论的比例从 0.79% 降到 0.27%，安全角色重试率从 3.5% 降到 0.04%。