GPT-6 Sol与Luna双线降价，OPC创业者如何重算Agent产品的单位经济模型

别急着把省下的Token钱当利润，Sol和Luna分线后你的成本表要重画

9月22日这一天，两件事同时发生：OpenAI上了GPT-6 Sol和Luna，Anthropic发了Claude Opus 5.5。朋友圈刷屏的都是“又降价了”，但我盯着这两条公告看了半天，第一反应不是兴奋，是觉得自己手里那张Agent成本表要废掉重画。

先把事实摆清楚。Sol主打复杂工作，Luna面向高速大量的任务，官方口径是Sol价格只有GPT-5.6的一半，Luna更小更便宜。Anthropic那边，Opus 5.5在多数工作上追平三周前发布的Fable 5.1，运行成本比Opus 5低40%。注意这两个数字的口径不一样——前者是“单价”，后者是“跑起来的综合成本”。这就是第一个坑：你看到的是单价腰斩，你要付的是任务总账。

为什么单价降了、总账未必降？因为Sol和Luna是分线的。过去你一个贵模型打天下，prompt写糙一点也能过；现在架构逼着你做路由——哪类请求丢给Luna，哪类升级到Sol。路由本身要判断、要兜底、要处理失败重试。你省下的那部分token钱，很可能被新加的编排逻辑吃掉一截。

真正让成本表变化的是结构，不是数字。以前你的表大概长这样：请求数 × 平均token × 单价。现在这张表至少要多出三列——路由命中率、升级到Sol的比例、以及单任务的平均token漂移。Luna便宜，但便宜模型有个特点：它更啰嗦。同一件事，Luna可能用三轮对话才收敛，Sol一轮就结束。单价掉一半，token量翻一倍，账面上你什么都没赚。

Opus 5.5那份价格表还藏着一个信号。输入输出每百万token分别是4美元和20美元，比上一代只降20%，但快取读取从0.5美元砍到0.2美元，降了60%。官方自己都说了，代理式工作和写程序的花费，大半就落在这项上。这句话翻译过来就是：谁把缓存用明白，谁才真正拿到这波降价。你如果还是每个请求都重新喂一遍上下文，降价跟你没关系。

我自己做舍予AI智能体这段时间最深的体会是，客户不关心你底层调的是Sol还是Luna，他只关心那支“AI战队”今天有没有把活干完。而在“老板的第一支AI战队”这个定位下，成本压力不是来自单次调用，是来自7×24小时不间断地跑。这种场景里，缓存策略、路由策略、失败重试策略，比单价重要一个数量级。

所以别急着把省下的token钱记成利润。先做一件事：把上个月的调用日志拉出来，按任务类型分桶，重新算一遍——如果当时就有Luna，哪些请求会走Luna，走Luna之后token量会涨多少，涨完之后还剩下多少差价。这个数字，才是Sol和Luna分线真正给你的。算完你可能会发现，账没你想的那么好看，但方向是清楚的。

真正吃掉毛利的不是单价，是错误修正和人工兜底那两笔暗账

单价降了，毛利就涨了？不一定。

GPT-6 Sol 和 Luna 分线，一个打复杂任务，一个打高速量产；Claude Opus 5.5 把运行成本压到 Op

一人公司的Agent定价该从按次收费转向按结果收费吗

按次收费这件事，套在Agent身上从一开始就是错配的。

API调用的成本方差很小，问一句答一句，token量可预估。Agent不是。同一个任务，状态好一次跑通，状态差分叉七八轮才收敛。按次收费意味着你把这份方差全留在自己账上：客户用得越顺你越赚，客户任务越脏你亏得越快。上一节说的错误修正和人工兜底，本质就是这个方差的现金化。

所以真正的问题不是"按次还是按结果"，是你把方差卖给谁。

按结果收费的吸引力很直白——客户不为过程付钱，只为交付付钱，听起来更接近价值定价。但一人公司玩这个，风险不在定价，在定义。结果必须能写成验收条款：可量化、可复核、有明确的失败边界。凡是写不清的，按结果就等于你在替客户承担需求变更。这不是定价模式升级，是把交付风险和收款风险一起咽下去。

我的判断是分层，不是转轨。

• 高频、边界清晰、单次价值低的，继续按次，或者挂订阅配额，当流量入口养着
• 单次价值高、结果可量化、验收标准能落纸的，按结果，但必须带成本上限和轮次上限
• 中间那批"看起来能定义结果"的，先按次跑三个月，用真实数据画出自己的修正成本曲线，再决定

关键变量其实在模型侧。Anthropic 9月22日发的 Claude Opus 5.5，代理式工作和写代码的开销大头落在缓存读取上，而这一项从每百万token 0.5美元降到0.2美元，降了60%。这类降价直接改的是Agent多轮试错的边际成本。当"跑偏再拉回来"变便宜，按结果收费在财务上才第一次变得可算——放在半年前，那基本是赌博。

Sol 和 Luna 的分线是另一个工具。Sol 接复杂判断，Luna 接高速量大的活，把贵的推理只留给真正需要它的那一步。按结果定价的前提是你能锁住成本天花板，分线本质上就是在给这个天花板打桩。

舍予AI智能体那句"老板的第一支AI战队"，其实已经回答了问题的一端。老板买的不是"你帮我跑了一次任务"，是"这个活我不用盯着了"。信任本身就是交付物的一部分。按次收费反而在暗示这件事有明确边界，而Agent的价值恰恰长在边界外面。

但别急着全线改价。按结果考验的不是定价勇气，是你的成本控制能力和验收设计能力——这两样没到位之前，按结果只是把亏损往后挪了一个账期。

把省下的40%拿去补哪一环，才能让单位经济模型从纸面跑进现金流

省下来的40%不是利润，是一笔待分配的预算。分错地方，它就是下个月的服务器账单；分对地方，它才变成现金流。

我的答案是：优先补评估和回滚，而不是补模型能力。

听起来反直觉。Sol和Luna分线之后，复杂任务走Sol、高频轻任务走Luna，Opus 5.5那边输入输出百万token降到4美元和20美元，缓存读取从0.5美元砍到0.2美元——降幅最大的偏偏是代理式工作最吃的那一项。这个账很好算，也很容易让人产生一种错觉：成本降了，毛利自然就上来了。

但第2节那两笔暗账没消失。错误修正和人工兜底还在，只是现在你有了余粮，可以认真对付它们。

评估环节是第一个要补的。没有一套自己的回归测试集，你根本不知道换到Luna之后哪些case悄悄退化了。降价最危险的地方在于它太便宜，便宜到你舍不得为它写测试。可一人公司经不起一次静默失败——用户不会告诉你Agent答错了,他直接取消订阅。

• 攒50到200条真实任务，覆盖你最赚钱的那几个落地场景
• 每条都有可判定的成功标准，不是"感觉还行"
• 每次换模型、改提示词、调路由，跑一遍再上

回滚是第二个。DigitalOcean Managed Agents那种在独立microVM里跑、支持暂停恢复和checkpoint的思路值得抄——不是抄技术，是抄那个姿态：默认Agent会出错，所以要能退回上一个已知good的状态。你的工作流只要有一步不可逆，人工兜底的账单就会一直在。

至于能力那一环，别急着补。Sol和Luna已经把能力给得很足了，再往上堆是给自己找心理安慰。

剩下的零头，我建议投在两件事上：一是把高频低价值任务真正迁到Luna并观测一个月，二是给"按结果收费"留出计费埋点。第3节聊过定价转向，可没有数据支撑的按结果收费就是赌博——你得先知道自己每一个成功结果的真实成本线在哪。

说句实在的，我不迷信"降本即改善"。模型便宜了40%，如果你的错误率没变、人工介入率没变，那你只是把同样的漏水的桶换了个更便宜的水龙头。真正让单位经济模型跑进现金流的，从来不是单价，是可预测性。投资人看的也不是你省了多少，是你的毛利能不能被复现。

所以那40%，我押在评估、回滚、埋点这三件不性感的事上。它们不会让Demo更好看，但会让你的现金流更早出现。舍予AI智能体那边给老板搭"第一支AI战队"的打法也是这个逻辑——先把流程跑顺、把边界划清，再谈扩编。

留一个今天就能动的动作：打开你的后台，挑出过去一个月里人工介入最多的三个任务，给它们各写五条测试用例。这就是那40%该去的第一站。