做AI编程工具的人聊到最后,聊的都不是模型有多强,而是两个听起来很技术、实则决定生死的数字:输入输出比和缓存命中率。先说输入输出比。大模型API定价有个规律:输出token通常比输入token贵好几倍(常见是3-5倍)。原因很简单——生成是自回归的,一个字一个字算,成本天然更高。而编程场景恰恰是"重输入、轻输出"的极端案例。你让AI改一个bug,它可能要读进去整个文件、相关依赖、报错日志、聊天历史——几千上万token的输入,但真正吐出来的可能只是几行代码的diff。这个比例如果是10:1甚至50:1,厂商的成本结构就完全由输入端主导。谁能把输入成本压下来,谁的毛利就厚。对普通人的意义：理解一个问题,比给出一个答案,贵得多。这不是AI才有的规律,是一直都有的规律,只是过去没人拿计价器量过。你去问一个专家问题,他真正的成本从来不是说出答案的那几句话,而是他过去几十年读进去的书、走过的弯路、见过的案例——那才是巨大的"输入"。而"输出"只是压缩之后的一小段表达。大模型定价把这件事赤裸裸地摆到台面上:理解贵,表达便宜。这其实是在提醒我们一个反直觉的常识——很多人高估了"说"和"做"的价值,低估了"理解"和"消化"的价值。你在朋友圈发的一句话,成本是低的;但支撑那句话的判断力,才是真正稀缺、真正该被重视的部分。对普通人的启发是:别把力气花在追求"输出量"上,去堆砌产出、追求更新频率;真正值钱的,是你输入端的质量——你读的东西够不够深、你积累的语境够不够扎实。输出只是冰山露出水面的那一角。再说缓存命中率。编程工具的上下文有个特点:高度重复。你问的问题很可能被别人早就问过了。同一个代码文件,你可能在十轮对话里被反复"喂"给模型;系统提示词、项目结构说明,几乎每次请求都原样带上。如果每次都按全价计费,成本会指数级爆炸。这就是prompt caching的意义——把这些重复不变的大段上下文缓存起来,命中缓存的部分只按原价的一折到两折计费。缓存命中率每提高10个百分点,毛利可能就是天壤之别。这也是为什么各家工具都在拼命做"上下文复用"的架构设计,而不只是拼模型能力。对普通人的意义：重复的努力,应该只被计价一次。缓存命中率解决的问题是:如果同样的上下文反复出现,为什么要每次都从头付费、从头计算?这背后是一个朴素到近乎废话、但绝大多数人没有认真践行的道理——你做过的事,应该被复用,而不是被重做。这也是为什么"系统"比"努力"值钱。一个把知识整理成模板、流程、SOP的人,和一个每次都靠临场发挥硬扛的人,表面上产出可能差不多,但前者的"命中率"越来越高,边际成本越来越低;后者永远在支付全价。所以结论很朴素:同样调用一个模型,两家公司的毛利率可能差出好几倍——差距不在模型选择,而在工程架构够不够聪明地控制输入体积、提高缓存复用率。对AI编程工具来说,这两个指标不是技术细节,而是商业模式能不能跑通的分水岭。往本质说,这两个概念其实是同一件事的两面:AI时代第一次把"认知劳动的经济学"给显性化、可计算化了。过去我们谈杠杆,谈的是资本杠杆、渠道杠杆。而输入输出比和缓存命中率告诉我们,还存在一种更底层的杠杆——认知杠杆:你投入多少去理解一件事(输入),换回多少可以反复使用、反复变现的产出(输出×复用率)。这套逻辑推到普通人的商业思维上,至少能长出三条:一,把自己活成"高命中率"的资产。写一篇深度文章,比发十条碎片朋友圈值钱,因为前者会被反复引用、反复带来新流量——它在"缓存"你过去的思考。做咨询也好,做内容也好,追求的不该是"每次从零讲一遍",而是搭建起一套自己的"知识缓存"——框架、案例库、方法论,让每一次新的输出都能复用旧的积累,而不是重新消耗一次认知带宽。二,警惕"高输入低复用"的陷阱。很多工作辛苦却不值钱,本质是输入巨大、复用率却是零——每接一个项目都要重新学习、重新建立信任、重新搭建流程。真正好的生意,是让"理解成本"一次性支付,后面靠"缓存命中"持续收割:productize your knowledge,把经验变成可复用的产品、模板、课程,而不是每次重新出卖时间。三,输出的稀缺性,来自输入的不可复制性。既然表达便宜、理解贵,那你能提供的真正壁垒,从来不是"我说得比别人快、比别人多",而是"我理解得比别人深"——那些走过的路、犯过的错、见过没被写进书里的细节,才是你输出背后那个别人抄不走的"输入"。AI只是把这套关于"理解"与"复用"的古老经济学,第一次做成了可以在账单上看见的数字。而这本账,人早就该算了。
夜雨聆风
