当 AI 编码助手从尝鲜走向日常，账单开始变成工程问题。LegalOn 的做法提供了一个可复用的样本：不是换工具，而是换用法。
发生了什么
据 OpenAI 披露的案例，法律 AI 公司 LegalOn 将每日 Codex 成本估算削减了约 65%，同时保持开发速度不变。其核心手段有两条：一是把 Astra、Sol、Luna 等不同模型与具体任务做匹配，而不是所有请求都走同一个最贵的模型；二是对预算做策略性管理，控制整体消耗节奏。
需要说明的是，公开信息只给出了成本降幅和大致方法，没有披露具体单价、调用量或内部基准数据，因此这里的重点是方法本身，而非某个可复制的精确数字。
为什么重要
编码智能体的成本结构，和传统 SaaS 很不一样。它的支出随使用强度线性甚至超线性增长——写得越多、上下文越长、重试越多，账单越高。早期团队通常只关心「能不能用」，一旦进入规模化阶段，成本就会直接挤压毛利，尤其是像 LegalOn 这样面向法律行业的垂直产品，客户对准确性和合规性要求高，重试和验证环节本身就贵。
模型路由（model routing）并不是新概念，但在编码场景里落地一直有摩擦：代码任务对上下文连贯性敏感，频繁切换模型容易带来风格不一致和调试成本。LegalOn 的案例说明，只要任务切分足够清晰——比如把高难度的架构推理留给强模型，把格式化、简单补全、测试样板生成交给更轻的模型——路由的收益可以覆盖切换成本。
另一个信号是「预算管理」被摆上台面。这说明团队已经把 AI 支出当作需要主动治理的运营指标，而不是月底看一眼的意外。
影响与看点
对开发者团队而言，最直接的启示是：模型选型不该是全局一次性决策，而应是按任务分层的持续调优。可以先从调用日志入手，识别哪些请求属于低复杂度高频场景，再考虑下沉到更便宜的模型。
对行业来说，这类案例会推动「成本效率」成为编码智能体竞争的新维度。此前厂商比拼的是补全准确率和上下文长度，接下来谁能帮客户把单位产出的成本压下来，谁就更容易进入企业的采购清单。
值得关注的点有三个：一是路由策略在长链路任务中是否稳定，二是成本下降是否以更高的验证负担为代价，三是这类优化能否沉淀为平台侧的原生能力，而不是每家客户自己造轮子。
一个独立判断：在编码智能体领域，成本优化正在从「省钱技巧」变成「工程能力」，而后者更难被对手在短期内复制。
