每次医疗 Agent 任务只花 8.5 美分?拆解 AI 自动化的 6 类成本账

在特定条件下是的,但生产环境不能照搬这个数字。2026 年 11 月 16 日,OpenAI 披露 GPT-6 Luna 在 HealthAdminBench 医疗行政基准中的单任务成本为 0.085 美元,比 GPT-6 Astra 低 98%。这个数字来自基准测试,不是医院生产部署的报价。

Agent 成本也不能简单按每百万 Token 的单价换算。一次 Computer Use 任务包含多轮模型调用、截图输入、工具执行、失败重试和运行环境,真正需要核算的是完整任务成本。对开发者来说,合理的模型分层、缓存、工作流固化和成本监控,比挑选单价最低的模型更重要。

medical-agent-task-cost-8-5-cents-breakdown-image-0

读完本文,您能了解医疗 Agent 成本的哪些问题?

  • 8.5 美分是在什么测试条件下得出的,哪些是官方披露值,哪些是反推估算值
  • 一次医疗 Agent 完整任务的成本由哪几部分组成,截图、多轮调用和重试如何推高费用
  • 怎样做模型分层,怎样用公式和月度任务量估算自己的 Agent 项目预算

本文索引:医疗 Agent 成本账从哪里读起

客观事实部分先讲 8.5 美分对应哪个基准、什么评分口径,再解释 Token 单价为什么不能代表任务成本。之后拆开一次 Agent 任务的六类费用来源,并以 CVS Health 开源的 CUA Agent Kit 说明,为什么固定流程不必每次都调用大模型。分析判断部分讨论高能力模型与低成本模型的分工,给出可直接套用的预算公式和测算情景,最后说明 API 层面的用量管理能解决什么、不能解决什么。

To Know:医疗 Agent 成本相关概念

概念 简要解释
Computer Use 通过观察软件界面、执行点击和输入等操作来完成任务的能力
EHR 电子健康记录系统,即医院使用的电子病历系统
MCP 用于发现和调用外部工具的标准协议
RPA 按预先配置的规则或脚本执行重复流程的自动化方式
Rubric points 按评测规则获得的评分点,衡量部分要求的达成情况
端到端成功率 完整任务满足全部成功条件的比例,比评分点占比更严格
Trace 记录执行过程、操作动作和界面状态的轨迹证据
Maximum Reasoning Effort 模型的最高推理强度档位,通常会消耗更多推理 Token
缓存输入 重复出现的输入前缀按较低单价计费的机制

影响速览:医疗 Agent 成本对谁意味着什么

  • 开发者与技术负责人:不能拿官方基准数字直接报预算。需要按自己的任务验证执行机制、端到端完成率和完整成本,同时把截图量、调用轮次和重试率纳入统计。
  • 医疗机构与工作流负责人:要区分合成演示、厂商评测、试点和生产案例。低单任务成本不能替代人工审批、最小权限和审计日志的配置,这些治理措施本身也会产生成本。

客观事实:医疗 Agent 8.5 美分背后的数据

8.5 美分能完成什么医疗 Agent 任务?

8.5 美分出自 OpenAI 2026 年 11 月 16 日发布的医疗 Computer Use Agent 公告。OpenAI 用斯坦福 Shah Lab 提出的 HealthAdminBench 评测了两款模型,两者都使用最高推理强度。该基准在模拟的 EHR、保险支付方门户和传真系统中,考察保险资格核验、预授权申请、医疗设备订购和跨系统文档处理等行政任务。

项目 GPT-6 Luna GPT-6 Astra 数据性质
HealthAdminBench 得分 91.8% 94.3% 官方披露,rubric points 占比
单任务成本 $0.085 约 $4.25 Luna 为官方披露,Astra 按 98% 降幅反推
1,000 次任务成本 $85 约 $4,250 基准口径下的线性换算,非生产报价
输入价格(每百万 Token) $0.10 $10.00 官方 Standard 短上下文价格,2026-11-17 查询
输出价格(每百万 Token) $0.50 $50.00 同上
缓存输入(每百万 Token) $0.01 $1.00 同上

Astra 的约 4.25 美元来自 0.085 ÷(1 − 0.98)的计算,是近似值,并非 OpenAI 单独公布的价格。94.3% 和 91.8% 也不是完整任务成功率。它们统计的是可得评分点的占比,不能写成”94.3% 的医院行政工作已经实现全自动”。

HealthAdminBench 有多个公开版本,需要区分口径。论文版本 2604.09937v1 包含 135 项任务、1698 个子任务,其中 1177 个由确定性规则判定,521 个由模型裁判评分。论文中 36.3% 的完整任务成功率属于 Claude Opus 4.6 CUA,82.8% 的子任务成功率属于 GPT-5.4 CUA。早期 Shah Lab 网页描述的是 70 项任务、947 个评分点的版本,只能作为历史对照。不同模型、日期、执行条件和指标的结果,不能排成同一张榜单。

medical-agent-task-cost-8-5-cents-breakdown-image-1

为什么医疗 Agent 任务不能只看 Token 单价?

从价格表看,两款模型的输入、输出和缓存输入单价都相差 100 倍。按 98% 的降幅计算,两者的单任务成本只相差约 50 倍。由此可以推断,两款模型在同一基准里的实际消耗量并不相同。调用轮次、输入输出 Token 数、推理消耗和重试次数都可能不同,所以单任务成本只能根据真实用量核算。

根本原因在于 Computer Use 的执行方式。按照 OpenAI 开发者文档,一个典型循环是:接收任务,观察屏幕截图,生成操作指令,由应用执行点击或输入,返回新截图,模型再判断下一步,直到完成或请求人工审批。每走一步,任务说明、历史上下文和新截图都可能重新输入模型。

普通问答可能只需要一次调用,跨系统的预授权流程则可能连续经历十几轮”观察、操作、验证”。截图属于图像输入,会单独产生视觉 Token 费用,而且每轮都会出现,因此最容易被低估。另外要注意,模型生成了操作指令,并不代表操作已经成功,应用必须执行并验证结果,验证本身也会消耗调用。

medical-agent-task-cost-8-5-cents-breakdown-image-2

一次医疗 Agent 任务的钱究竟花在哪里?

把一次任务拆开,可以归入六类直接成本。工程维护属于持续投入,单独核算更清楚。

成本类别 产生原因 统计要点
输入 Token 系统提示、任务说明、历史上下文、工具返回 按轮次累计,区分可缓存部分
输出 Token 操作指令、生成的代码、决策与推理 高推理强度会显著增加输出
视觉输入 每轮截图及界面理解 按模型的图像计费规则单独统计
工具调用 内置工具、托管浏览器、代码执行 内置工具消耗的 Token 按对应模型计费
运行环境 浏览器、虚拟机、容器 只在实际使用对应服务时计入
失败重试 页面加载异常、定位失败、操作错误 若重试 Token 已计入总量,不要重复加算

运行环境的计费差异很大。OpenAI 定价页列出的 Hosted Shell 与 Code Interpreter 容器费用为:1 GB 每 20 分钟 0.03 美元,4 GB 为 0.12 美元,16 GB 为 0.48 美元,64 GB 为 1.92 美元。文件与图片上传存储按 0.10 美元/GB-day 计费。如果开发者在自己的服务器上运行 Playwright 或桌面执行器,这部分就变成自有基础设施成本,结构完全不同。

因此,核算时需要分清三个层次:模型成本是处理输入输出的费用,运行成本是浏览器、服务器、容器等基础设施费用,工程成本是工作流设计、测试、监控和维护的人力投入。只看第一层,预算一定偏低。

为什么有些医疗 Agent 不应该每次都调用大模型?

CVS Health 在公告中披露了生产环境案例。一个 Agent 在一个周末清理了积压数月的文件发送任务,另一个 Agent 每天处理数万次专科会诊中的系统操作步骤。这里的”数万次”指操作步骤,不是由 AI 独立完成的临床决策。系统同时配有验证检查、人工监督,以及基于截图和操作记录的状态核查。

更值得开发者关注的是 CVS 开源的 CUA Agent Kit(Apache-2.0 许可)。它把自动化分为两个阶段:先由 OpenAI Computer Use Agent 按自然语言执行任务,记录截图、动作、目标位置和 Trace;再由 Codex Skill 根据成功的轨迹,生成或更新确定性工作流代码,并经工程师审查。README 说明,确定性运行阶段不需要模型 API Key。

这套设计直接针对成本问题:探索未知流程时需要大模型推理,重复执行已知流程时交给普通代码。只要流程稳定,单次运行就不再支付视觉输入和推理费用,结果波动也会减小。项目的一个核心观点是,”发现如何完成任务”和”长期稳定地重复执行”是两个不同的问题。

传统 RPA 与 Agent 的关系也可以从这个角度理解。一项 RPA 比较研究(DOI: 10.1080/23311975.2026.2724760)中,P2、P3 两项任务每种技术各运行 10 次,P1 任务的 Agent 只运行了 1 次且失败,未纳入后续统计,因此不能笼统地说”所有任务都执行了 10 次”。该研究使用的是 2025 年的工具配置,不能当作 2026 年模型的直接成绩。不过它提示了一点:评估自动化方案时,重复运行的稳定性和单次成功同样重要。

分析判断:医疗 Agent 成本账该怎么算

高能力模型与低成本模型如何在医疗 Agent 中分工?

基准数据显示,Luna 的评分点占比比 Astra 低 2.5 个百分点,成本却只有 Astra 的约 2%。这说明,在结构化程度较高的行政任务中,低成本模型已经具备可观的执行能力。但评分点差距不等于端到端成功率差距,少拿的那部分分数如果恰好落在文件上传或状态更新等关键步骤,业务结果可能完全不同。这是我们的判断,需要用自己的任务数据来验证。

更稳妥的做法是按阶段分配,而不是整个任务只用一个模型:

工作阶段 建议承担者 理由
理解复杂任务、拆解步骤 高能力模型 出错代价高,调用次数少
处理病历歧义、模糊信息 高推理模型 + 人工确认 Ambience 的方案在歧义时停止并询问医生
常规界面操作 低成本模型 调用次数多,对单价最敏感
重复填写固定表单 确定性代码 参照 CUA Agent Kit 的代码固化思路
常见异常处理 低成本模型或规则 模式固定,可逐步沉淀为规则
关键操作审批 人工 提交、发送、签署等动作保留人工最终权限
最终结果验证 结构化检查 + 人工抽查 以系统状态为准,而非模型的”已完成”声明

这种分层的收益在于,高单价模型只出现在低频、高价值的环节,高频环节交给低成本模型或代码。当多个模型并存时,统一的调用接口能降低切换成本。例如通过 API易 apiyi.com 这类 OpenAI 兼容网关,开发者可以只改 model 参数来对比不同模型。具体可用的模型以平台当前模型列表和账户权限为准。

medical-agent-task-cost-8-5-cents-breakdown-image-3

开发者怎样计算自己的医疗 Agent 项目预算?

建议采用下面的单任务成本框架。其中 T 为实际 Token 数,P 为每百万 Token 价格:

C_task = C_input + C_output + C_image + C_tools + C_runtime + C_retry

C_input  = T_input  × P_input  / 1,000,000   (可缓存部分按缓存价单列)
C_output = T_output × P_output / 1,000,000
C_image  = 按模型视觉计费规则,逐轮截图单独统计
C_retry  = 仅计尚未并入上述 Token 总量的重试开销

单个成功任务成本 = 全部任务总成本 ÷ 成功任务数
月度预算 = 单个成功任务成本 × 月成功任务目标 + 工程维护投入

真正决定预算准确性的,是这几项实测指标:单任务平均调用轮次、平均截图数、失败重试率、人工介入率和端到端成功率。用”单个成功任务成本”而不是”单次运行成本”做分母,能把失败的消耗计入进去。

下表是我们自行构建的预算情景,所有用量均为假设,仅用于演示计算方法。单价采用前文的官方 Standard 价格:

情景假设(自建,非实测) 低成本模型(Luna 单价) 高能力模型(Astra 单价)
每任务 15 轮,每轮视觉 + 文本输入 2 万 Token 30 万 × $0.10/M = $0.030 30 万 × $10/M = $3.00
每轮输出 500 Token 7,500 × $0.50/M ≈ $0.004 7,500 × $50/M = $0.375
单次运行模型成本 约 $0.034 约 $3.38
假设端到端成功率 80% 后的单个成功任务成本 约 $0.042 约 $4.22
月成功任务 10,000 次的模型成本 约 $420 约 $42,200
托管容器(4 GB,每 20 分钟串行 4 个任务) 约 $300/月 约 $300/月

这个情景揭示了一个容易被忽略的现象:当模型足够便宜时,运行环境费用可能与模型费用处于同一量级,甚至更高。优化方向随之改变,从”换更便宜的模型”变成”减少截图轮次、复用容器、把固定步骤改成代码”。这是情景推演得出的判断,实际比例要以您的实测数据为准。

采集真实用量最直接的办法,是在每次模型调用后记录 usage 字段。下面是最简示例:

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1",  # API易 OpenAI 兼容接口
)

resp = client.chat.completions.create(
    model="YOUR_MODEL_NAME",  # 以 API易 后台模型列表为准
    messages=[{"role": "user", "content": "根据以下字段生成预授权申请核对清单:..."}],
)
u = resp.usage
print("input:", u.prompt_tokens, "output:", u.completion_tokens)
查看按任务累计成本的完整实现代码
from dataclasses import dataclass, field
from openai import OpenAI

# 2026-11-17 官方 Standard 短上下文价格(美元/百万 Token),实际以对应计费档位为准
PRICES = {
    "gpt-6-luna":  {"input": 0.10,  "cached": 0.01, "output": 0.50},
    "gpt-6-astra": {"input": 10.00, "cached": 1.00, "output": 50.00},
}

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1",  # 统一接入,后台可对照 Token 与费用日志
)

@dataclass
class TaskCostMeter:
    model: str
    rounds: int = 0
    screenshots: int = 0
    retries: int = 0
    input_tokens: int = 0
    cached_tokens: int = 0
    output_tokens: int = 0
    runtime_usd: float = 0.0
    log: list = field(default_factory=list)

    def record(self, usage, has_screenshot=False, is_retry=False):
        self.rounds += 1
        self.screenshots += int(has_screenshot)
        self.retries += int(is_retry)
        details = getattr(usage, "prompt_tokens_details", None)
        cached = getattr(details, "cached_tokens", 0) or 0
        self.cached_tokens += cached
        self.input_tokens += usage.prompt_tokens - cached
        self.output_tokens += usage.completion_tokens
        self.log.append((self.rounds, usage.prompt_tokens, usage.completion_tokens))

    def model_cost(self):
        p = PRICES[self.model]
        return (self.input_tokens * p["input"]
                + self.cached_tokens * p["cached"]
                + self.output_tokens * p["output"]) / 1_000_000

    def total_cost(self):
        # 重试轮次的 Token 已在 record 中累计,这里不再重复加算
        return self.model_cost() + self.runtime_usd

def cost_per_success(meters, success_flags):
    total = sum(m.total_cost() for m in meters)
    wins = sum(success_flags)
    return total / wins if wins else float("inf")

🎯 预算建议:先挑 20 到 50 个真实任务样本做小规模试跑,再做月度测算。通过 API易 apiyi.com 统一接入时,可以对照后台的 Token 消耗与费用日志校验自己的计量结果,新用户的免费测试额度足够完成这一步。

从模型价格到 API 成本管理:医疗 Agent 网关能做什么

Agent 项目进入多模型阶段后,成本失控往往不是因为单价高,而是因为没人说得清哪个环节、哪个模型消耗了多少。API Gateway 的价值在于把分散的调用汇集到一处:统一的 Key 与 Endpoint、按模型拆分的用量日志、可回溯的费用明细,团队据此才能发现某个步骤截图过多,或者某类异常反复触发重试。

以 API易 为例,根据其快速开始文档,接入方式是注册账户、在 Token 页面获取 API Key,然后把原 OpenAI Endpoint 替换为 https://api.apiyi.com,部分应用需在地址后添加 /v1。官方 SDK 和代码示例可以直接使用,后台可查看模型、Token 消耗和费用日志,页面标注 OpenAI 和 Claude 费率与官方一致,并支持开票。对于需要在多个模型之间做分层和对比的团队,API易 apiyi.com 提供了一个按量计费、统一计量的接入层。

它的边界也需要说清楚。API 网关解决的是模型调用的接入与计量,不是 Agent 执行器:浏览器和桌面环境、截图采集、业务权限控制、人工审批流程和工作流维护,仍需开发者自行构建。在医疗场景中,HIPAA 合规还取决于适用产品资格、BAA、安全配置和数据治理,不会因为换了接入方式就自动满足。具体某个 GPT-6 模型能否调用,也要以平台当前的模型列表为准。

回到 8.5 美分这个数字,它证明了低成本模型在高频行政自动化中的潜力,却回答不了您的工作流要花多少钱。答案只能来自自己的任务样本、自己的成功率和自己的用量日志。正如那句英文谚语所说:

The proof of the pudding is in the eating.
(布丁好不好,吃了才知道;实际效果要靠实践检验。)


参考资料

  1. OpenAI 医疗 Computer Use Agent 公告:HealthAdminBench 得分与单任务成本的原始出处
    • 链接: openai.com/index/advancing-computer-use-for-healthcare-teams
  2. OpenAI API 定价页:GPT-6 Astra、GPT-6 Luna Token 价格及容器费用
    • 链接: developers.openai.com/api/docs/pricing
  3. OpenAI Computer Use 开发者文档:执行循环、Computer Tool 与 Code Execution 两种路径
    • 链接: developers.openai.com/api/docs/guides/tools-computer-use
  4. HealthAdminBench 论文 v1:135 任务、1698 子任务的明确版本
    • 链接: arxiv.org/html/2604.09937v1
  5. CVS Health CUA Agent Kit:AI 探索与代码固化的开源实现
    • 链接: github.com/cvs-health/cua-agent-kit
  6. RPA 比较研究:重复运行设计与例外说明
    • 链接: doi.org/10.1080/23311975.2026.2724760
  7. 谚语释义核对:Cambridge Dictionary
    • 链接: dictionary.cambridge.org/us/dictionary/english/proof-of-the-pudding-is-in-the-eating

作者: API易 技术团队
技术交流: 欢迎在 API易 apiyi.com 首页联系我们,更多接入说明可访问 docs.apiyi.com 文档中心

发表评论