AUDR：追踪AI智能体运行成本的开放标准

AI智能体时代的成本追踪难题

当一个AI智能体（Agent）完成一次任务时，它可能调用了多个大模型、触发了若干外部工具、经过了不同的路由与计费系统。问题随之而来：这次运行到底是谁发起的？它跨越的每一个系统各自产生了多少成本？在缺乏统一记录标准的情况下，这些信息往往散落在各处，难以汇总与对账。

Chargebee 推出的 AUDR（Agent Usage Detail Record） 正是针对这一痛点的解决方案。它定义了一套开放标准，用于捕获智能体运行的发起方以及该运行在所触及的每个系统中的实际成本。这个项目在 Product Hunt 上获得了 188 票、24 条评论，并一度排名第 2，归属于开源、开发者工具与 GitHub 分类。

AUDR by Chargebee

灵感来自电信业的通话详单

AUDR 的设计思路借鉴了电信行业成熟多年的 CDR（Call Detail Record，通话详单） 机制。在电信网络中，一通电话可能经过多个运营商网络，而 CDR 为每一段通话提供了标准化的计费与归属记录，使得跨网络的结算成为可能。

类似地，一次智能体运行也会"穿越"多个独立系统——执行框架（harness）、模型路由器（router）、计费系统等。AUDR 把 CDR 的理念迁移到 AI 领域，定义了一套通用的 JSON Schema，让任何框架、路由器或计费系统都能够产出（emit）和接收（ingest）这种记录。

这种类比的价值在于：电信业已经证明，只要有统一的记录格式和清晰的归属规则，再复杂的跨系统计费也能被精确追踪。AI 智能体生态正处于早期阶段，一个被广泛采纳的开放标准有机会避免未来各家厂商各自为政、数据无法互通的碎片化局面。

CDR 在电信行业已有超过四十年的实践历史。每条 CDR 记录通常包含呼叫发起方、被叫方、通话起止时间、持续时长、所经过的网络节点以及计费金额等字段。当一通国际电话跨越多国运营商时，每段网络都会生成自己的 CDR，最终通过标准化的交换协议（如 TAP，Transferred Account Procedure）完成跨运营商结算。这套机制使得"按量计费、跨网分账"在几十年前就成为现实，而非依赖各运营商私下协议。AUDR 试图复制的正是这种"标准格式 + 清晰归属 + 多方互认"的结算基础设施，只是把计费单元从"通话分钟数"换成了"模型调用次数、Token 消耗量、工具调用费用"等 AI 原生的计量维度。

让标准生效的三条核心规则

AUDR 之所以能工作，依赖三条核心设计规则：

共享的运行 ID

每次运行由执行框架（harness）生成一个共享的 run ID。这个唯一标识符贯穿运行所触及的所有系统，是把分散记录拼接成完整成本画像的关键锚点。没有统一 ID，跨系统的数据就无法可靠关联。

清晰的字段归属

AUDR 规定了明确的字段所有权（field ownership），即每一类字段由哪个系统负责填写都有清晰界定。这避免了多个系统对同一字段重复写入、相互覆盖所带来的混乱，让数据来源可追溯、责任可界定。

严格的合并规则

在数据合并层面，AUDR 采用严格的合并规则：当出现冲突时，冲突记录会被直接拒绝，而任何修正都必须以新记录的形式出现，而非就地修改原记录。这种"只追加、不覆盖"的设计借鉴了可审计系统的最佳实践，保证了记录的完整性和可审计性，便于事后追溯每一次成本变更的来龙去脉。

开放标准对 AI 生态意味着什么

AUDR 作为一个开源标准，其意义超出了单一产品本身。随着企业越来越多地部署多智能体、多模型的复杂工作流，成本可观测性（cost observability） 正成为运维与财务的刚需。谁调用了什么、花了多少钱，这些问题直接关系到预算控制、成本分摊乃至对客户的计费。

一个被多方采纳的通用 Schema，能够让不同厂商的工具天然互通，降低集成成本，也为第三方的成本分析、监控与审计工具提供了统一的数据基础。Chargebee 作为一家以订阅计费见长的公司推出这一标准，背后的行业洞察不难理解——AI 用量的计量与结算，很可能是下一个需要标准化的战场。

当然，开放标准的真正价值取决于生态采纳度。AUDR 能否成为 AI 智能体领域的"CDR"，还要看有多少执行框架、路由器和计费系统愿意接入。但从设计理念上看，它抓住了问题的核心：在一个日益复杂的智能体世界里，透明、可审计、可互通的成本记录是不可或缺的基础设施。

成本可观测性（Cost Observability）是更广泛的 LLMOps（大语言模型运维）体系的重要组成部分。当前主流的可观测性工具（如 LangSmith、Helicone、OpenLLMetry）通常以追踪调用链路、延迟和错误率为核心，而跨系统的成本归因往往是薄弱环节——尤其是当工作流涉及多个模型提供商（OpenAI、Anthropic、本地部署模型）和多个中间层（如 LiteLLM 这类路由代理）时，单一工具难以获得全局视图。AUDR 试图在数据层面解决这一问题：只要各系统都按统一 Schema 输出记录，任何下游分析工具都能在不感知上游系统细节的前提下完成成本聚合与分摊。这与 OpenTelemetry 在分布式追踪领域的定位颇为相似——不替代各家的实现，而是提供统一的数据契约。

小结

AUDR 用一套简洁而严谨的规则，为 AI 智能体运行成本的追踪提供了开放答案。借鉴电信业数十年验证过的 CDR 模式，通过共享运行 ID、清晰字段归属与严格合并规则三大支柱，它试图在智能体生态尚未固化之时，立下一个值得被广泛采纳的标准。对于正在构建或运维智能体系统的团队而言，这是一个值得关注的开源项目。