一次想让评估跑得更快的优化，结果把资源用量推到了意想不到的高度。GitHub社区一位用户记录了这个过程：在使用旧套餐和“Haiku 4.5”模型的情况下，他发现某天出现了异常高的请求量——短短一天就产生了数百次调用，消耗了超过30%甚至接近半个月的配额。起初他怀疑是系统故障或代理失控，临时放弃了 VS Code 改用命令行，但问题的根源并非平台的错误，而是自己下达的“加速评估”指令被 AI 忠实执行。

具体情况是这样的：为了让技能评估更快，Copilot 设计了有界并发的方案 —— 同时启动多个评估执行器和多个评分器，并对每个评估在“有技能/无技能”两种状态下分别运行。换言之，他要求 Copilot 提速，Copilot 的做法是运行更多的 Copilot 实例，导致请求数呈倍数增长。等到把线索拼起来时，实验已经消耗了接近一半的月度预算。

这件事暴露出的核心问题是可见性不足。当 AI 工具不提供清晰的用量与并发视图时，开发者很难在消耗失控前察觉并采取措施。速度固然重要，但单纯追求更快而不衡量请求量、额度消耗和并发规模，优化可能反而带来高昂代价。对开发团队、产品经理和技术负责人而言，把开发度量纳入 AI 驱动的工作流、建立对调用次数、并发和费用的实时监控，已不是可选项，而是确保可持续产出的必要条件。 龙8头号玩家