前阵子看到一个数字，不知道该说离谱还是意料之中。

微软一个核心业务部门，给几千名工程师开通了 Claude Code，打算靠 AI 把开发效率拉起来。结果四个月后财务拉账单，全年 AI 算力预算已经归零。实际支出超预期三倍以上。没有审批漏洞，没有恶意刷量。就是几千人正常用，没设额度上限。

这事在技术圈讨论的角度各有不同。有人算架构账，有人聊管理责任。但有一个问题几乎没人从工程侧追问：这四个月的预算烧完了，团队到底沉淀了什么？

代码也许有一些，但大部分和 AI 的交互不是最终产物，是过程。一段反复调试的 Prompt、一套跑通后被忘记的 Skill 配置、一份调了十几轮才稳定的 Memory。这些东西在哪？在那个工程师的个人 AI 账号里。他离职那天，它们跟着账号一起走了。

## Prompt、Skill、Memory：三类没人管的新型生产资料

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。每类资产都有路径、有权限、有交接流程。

AI 时代的产出物是个例外。

一个运营同事花两周调试出一套 Prompt，能把竞品分析从三小时压到二十分钟。这套 Prompt 在哪？大概率在她的 AI 工具聊天记录里。一个后端工程师写了一套 Skill，能自动跑完代码审查并输出结构化意见。配置在哪？本地某个 JSON 文件里，和项目代码混在一起。还有一个产品经理，几个月让 AI 记住了团队命名规范、接口风格、用户画像偏好。这套 Memory 是上百次对话喂出来的。换个人接手，AI 对这些背景一无所知，Memory 得从头再训。

换个角度看，这是一种知识蒸馏。只是对象不是模型，是人。

优秀员工和普通员工的差距，很多时候不是知识面，是判断力。知道这个场景该用什么模型、Prompt 怎么写才能一次出对、Skill 怎么编排才高效、路由策略怎么在成本和效果之间取平衡。这些东西在过去很难被提取，因为是隐性经验。但现在不一样了。这个人把经验写进了 Prompt，封装进了 Skill，喂进了 Memory。每一段调试过的指令，本质上就是专业判断的浓缩。

问题在于：蒸馏完的产物，团队没接住。

## 不只是流失，是根本不可见

如果产出物留不住是第一个问题，那第二个问题是：很多团队压根不知道钱花在了哪。

月初充值的额度，月底还剩多少，这是最常见的粒度。哪个项目消耗最大？谁拿着顶配模型跑简单的文本摘要？不清楚。一张月底账单最多看到总数，看不到明细。

传统技术管理面对「按 Token 计费、调用量按秒波动」的 AI 服务，天然对不上口径。偶尔拉一次账还能应付。但当 AI 调用变成日常行为——多个项目、多个模型并发运行——手工统计就彻底失灵了。

回头看微软那个案例，「没设额度上限」只是表象。更深的问题是：消费没有实时跟踪，成本没有归因到项目和人员，预算消耗速度没有人能提前感知。

## 一条可行的技术链路

要在团队内部构建这样一套治理机制，可以从三个层面切入。

**身份注入层。** 调用链路的入口处将使用者身份、所属项目、调用意图等元信息注入请求上下文。无论底层模型是什么 Provider，网关统一签发带身份标签的派生凭证，后续所有追踪基于此凭证。这一步可以类比腾讯云 CAM 的临时密钥机制——签发一个有限权限、有限生命周期的凭证，而非直接暴露主账号 Key。

**实时计量层。** 每次调用在返回结果的同时完成 Token 计数和成本估算。关键设计是将「账单口径」和「估算口径」分开维护。估算口径允许少量误差，但延迟控制在秒级，用于实时预警和用量看板；账单口径追求精确，T+1 对齐 Provider 结算数据，用于财务核算。

**策略执行层。** 基于前两层的身份和计量数据，在调用链路中插入策略点：项目预算阈值告警、单成员日消耗上限、低成本模型自动降级、异常激增自动熔断。这些策略作为网关中间件实现，不需要侵入业务代码。

更重要的是，这套架构天然具备资产沉淀的基础。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。系统运行时，资产目录自然生长。

Prompt、Skill、Memory——这些东西能不能像代码一样被入库、归档、复用？当它们从个人账号中解放出来，成为团队的可追溯资产，企业为 AI 花的钱才算真正完成了从「消耗」到「积累」的闭环。

微软一个核心业务部门，给几千名工程师开通了 Claude Code，打算靠 AI 把开发效率拉起来。结果四个月后财务拉账单，全年 AI 算力预算已经归零。实际支出超预期三倍以上。没有审批漏洞，没有恶意刷量。就是几千人正常用，没设额度上限。

AI 调用量暴涨，团队的经验怎么留——从 Prompt 到 Memory 的技术治理思路

当 AI 编程工具和 Agent 成为日常开发标配，团队积累的 Prompt、Skill 和 Memory 如何避免随成员流动而流失？本文探讨一种将 AI 经验纳入技术治理体系的工程思路。

人工智能

开发工具

职业发展

微软AI开发预算超支3倍，暴露企业AI资产管理盲区。Prompt、Skill、Memory三类新型数字资产缺乏管理机制，导致核心经验随员工流失。需建立身份注入、实时计量、策略执行三层治理体系，实现AI资产沉淀与复用，将AI投入转化为可追溯的企业数字资产。

中间件

路由

JSON

2026年中大促 | AI 领航 智绘未来

腾讯云BI新客户首次购买9.9元起！


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

AI 调用量暴涨，团队的经验怎么留——从 Prompt 到 Memory 的技术治理思路-腾讯云开发者社区-腾讯云

AI 调用量暴涨，团队的经验怎么留——从 Prompt 到 Memory 的技术治理思路

AI 调用量暴涨，团队的经验怎么留——从 Prompt 到 Memory 的技术治理思路

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐