前阵子看到一个惊人数据，不知该说是离谱还是早已在预料之中。
微软某个核心业务部门，为数千名工程师开通了 Claude Code 账号，寄希望于借助 AI 大幅提升开发效率。然而四个月后财务核算账单时发现，全年 AI 算力预算已经耗尽。实际支出超预期三倍以上。既没有审批流程漏洞，也不存在恶意刷量行为。原因很简单：几千人正常使用，且没有设置任何额度上限。
工程圈围绕这一现象展开了多维讨论：有人算架构账，有人谈管理责任。但有一个关键问题几乎没人从技术侧深究：这四个月的预算烧完了，团队的知识库究竟沉淀下了什么？
代码或许留下了一些，但大部分与 AI 的交互并非最终产物，而是过程资产——一段反复调优的 Prompt、一套调试通过后被遗忘的 Skill 配置、一份历经十几轮调整才稳定的 Memory。这些东西都存放在哪？在那个工程师的 Claude 个人账号里。当他离职那天，这些资产便随账号一同消失了。
隐性 AI 知识为何难以成为团队资产？
企业的数字化资产大多有明确的存放位置：代码进 Git，文档进 Confluence，设计稿进 Figma，客户数据进 CRM。每类资产都配有路径、权限和交接流程。
AI 时代的产出物却成了例外。
一位运营同事花了两周调试出一套 Prompt，能将竞品分析时间从三小时压缩到二十分钟。这套 Prompt 在哪？大概率留在她的 AI 工具聊天记录里。一位后端工程师编写了一套 Skill，能自动完成代码审查并输出结构化意见。配置存放在哪？本地某个 JSON 文件中，与项目代码混杂，毫无版本管理可言。还有一位产品经理，花费数月让 AI 记住了团队命名规范、接口风格和用户画像偏好。这套 Memory 是通过上百次对话训练出来的。换人接手后，AI 对这些背景一无所知，Memory 必须从头再来。
换个角度看，这其实是一种知识蒸馏的过程。只不过蒸馏的对象不是模型，而是人。
优秀员工与普通员工的差距，往往不在知识面，而在判断力——知道在什么场景下该用哪个模型、如何编写 Prompt 才能一次命中、怎样编排 Skill 才最高效、采用何种路由策略能在成本与效果间取得最佳平衡。过去这些经验难以提取，因为它们属于隐性知识，藏在大脑里。但如今不同了：员工已将这些经验写进了 Prompt，封装进了 Skill，喂进了 Memory。每一段调优过的指令，本质上都是专业判断的浓缩结晶。
问题在于：这些精心提取的经验产物，团队没能接住。它们留在了个人账号里，沦为私有资产。
AI 调用成本陷入黑箱：看不清，就管不住
如果说产出物无法留存是第一个问题，那么第二个问题是：很多团队根本不清楚钱花在了哪里。
月初充值的额度，月底还剩多少——这是最常见的管理粒度。但哪个项目消耗最大？哪类调用最频繁？是否有人用顶配模型跑简单的文本摘要？通通不清楚。
传统的采购与报销体系，面对「按 Token 计费、调用量按秒波动」的 AI 服务，天然对不上口径。一张月底账单最多显示总数，看不到明细，更无法追踪谁在哪个场景上消耗了哪部分预算。偶尔手工对账还能应付，但当 AI 调用变成日常行为，多个项目、多个模型并发运行时，手工对账就彻底失效了。
回过头来看微软那个案例，「没设额度上限」只是表象。更深层的问题是：消费没有实时跟踪，成本无法归因到使用者和业务场景，预算消耗速度无人能提前感知。等财务拉出账单，一切为时已晚。
在云时代，FinOps 的实践思路已经成熟。以阿里云 AI 网关新上线的 FinOps 能力为例，通过消费者配额将 Token 消耗前置到调用链路中，按使用者、业务线拆分用量，让每一笔消耗都能「看得见、管得住」。这套逻辑在 AI 调用场景下同样适用：在请求发出前带上身份标签，在请求完成瞬间完成记账。拖得越久，信息损失越大，归因就越模糊。
构建企业 AI 资产管理体系：一条技术实现路径
如果要在团队内部搭建这样一套治理机制，技术上需要解决三个层面的问题。
第一层，身份注入。 在调用链路的入口处，需要将使用者身份、所属项目、调用意图等元信息注入请求上下文。这一步可在 API 网关层完成——无论底层模型是阿里云通义千问还是其他 Provider，网关统一签发带身份标签的派生凭证，后续所有环节基于此凭证进行追踪。
第二层，实时计量。 每次调用在返回结果的同时完成 Token 计数和成本估算，写入时序存储。这里的关键设计是将「账单口径」（事后对账）与「估算口径」（实时监控）分开维护。估算口径允许少量误差，但延迟必须控制在秒级；账单口径追求精确，可 T+1 对齐 Provider 的结算数据。
第三层，策略执行。 基于前两层的身份与计量数据，可在调用链路中插入策略点：预算阈值告警、单用户日消耗上限、低成本模型自动降级、异常激增自动熔断。这些策略无需侵入业务代码，作为网关中间件即可实现。
更重要的是，这三层架构天然具备了资产沉淀的基础。当每一次 Prompt 调用、每一次 Skill 编排、每一次 Memory 写入都被记录和归因时，「谁创造了什么、它是否有效、被复用了多少次」就不再是一个需要事后手工收集的问题，而是系统运行的自然产物。
企业为 AI 支付的每一分钱，不应只换来一张月底账单。当 Prompt、Skill、Memory 像代码一样被入库和版本管理，当人走了经验依然留存，当每一笔投入的产出都可追溯、可复用——这才是 AI 时代企业真正需要补齐的那块拼图。
