亚马逊 AI 写代码烧掉 180 万美元：一堂成本失控课

📌 这不是科幻故事，是亚马逊内部真实发生的事故：一段 AI 生成的代码，五个月烧掉 180 万美元（约合人民币 1215 万元），超预算 860%。为什么没人发现？因为 AI 时代的成本失控，长得和过去完全不一样。

一、事故还原：一段「常规」代码的失控之路

亚马逊一名工程师用 Claude 写了一段数据匹配程序。在当时的语境里，这是一项再普通不过的任务——写个程序处理数据，跑完出结果，结束。

但程序跑起来之后，事情开始偏离预期：

• 程序持续调用模型 API，没有任何调用频次限制
• 五个月里，账单一路累积到 180 万美元，超出预算 860%
• 项目最终失败了——钱烧完了，目标没达成
• 直到财务对账时，这笔天价账单才被发现

最扎心的细节是：五个月里没有任何人察觉。 不是没人看账单，而是 AI 生成的代码跑在自动化流程里，它的每一次 API 调用都「合规」，每一笔费用都「正常」，直到总量失控。

亚马逊内部还有另一个项目意外超支了 54 万美元——同样的问题：AI 代码在无人干预的情况下自主运行，成本像漏水的水管，一滴一滴，直到淹没地板。

二、为什么 AI 时代的成本事故防不胜防

过去软件工程的成本失控，通常来自基础设施：服务器买多了、流量预估错了。这类问题有成熟的监控体系，账单异常会触发告警。

AI 时代的成本失控，逻辑完全不同：

1. 成本单元变了。 过去一次操作的成本是固定的（一次数据库查询、一个请求），现在一次 AI 调用可能几美分，也可能几美元——取决于模型、上下文长度、生成 token 数。成本不是「操作数 × 单价」那么简单，而是高度可变。

2. 循环是隐形的。 AI agent 的工作方式是循环：读数据 → 调用模型 → 写结果 → 再读。一个没有上限的循环，就是一台印钞机——往外印的是你的钱。

3. 无人审查。 传统代码上线前要 code review，AI 生成的代码往往直接进自动化流程。不是人不想看，是「AI 写的代码」默认被信任——它看起来总是那么合理。

4. 告警缺失。 账单是事后结算的，不是实时流出的。等你看到账单，钱已经烧完了。亚马逊这个案例里，如果有一个「单日 API 费用超阈值自动熔断」的机制，180 万会变成 1.8 万。

三、亚马逊的补救：给 AI 套上笼头

事故之后，亚马逊建立了自动化防护体系，方向很明确：

• 阈值限流中断：AI 代码的运行成本设阈值，超过即自动中断。不是事后看账单，是事前熔断。
• AI 生成代码必须人工审核：AI 写的代码不能直接进生产流程，必须先过人这一关。

这两条看着简单，其实是把 AI 从「被信任的同事」降级回「需要监督的工具」。信任没有消失，但加上了验证环节。

四、这场事故给我们的三堂课

第一课：给 AI 代码设成本上限，像给信用卡设额度一样。 任何接入模型 API 的自动化流程，第一件事不是写功能，是写熔断器。单次调用超时、单日费用超阈值、循环次数超上限——三个熔断条件缺一不可。

第二课：AI 生成的代码，必须有人看。 不是形式主义的 review，是理解它「会做什么、会花多少钱」的 review。如果团队没人能看懂 AI 代码，那它就不该上线。

第三课：实时监控费用，而不是月末看账单。 成本指标要和性能指标一样实时可见。模型调用量、费用增速、异常峰值——这些应该在你的监控大盘上，而不是只在财务的 Excel 里。

对独立开发者来说，这堂课同样适用，而且更紧迫：你没有亚马逊的容错能力。 一个失控循环烧掉 180 美元可能就够你肉疼，烧掉 1800 美元可能就是一个月的利润。用 AI 写代码没有错，错的是不给它装刹车。

五、落地参考：给 AI 代码上保险的检查清单

如果你现在就要给现有的 AI 自动化任务加保险，按这个顺序排查：

1. 找出所有循环。 凡是「循环调用模型 API」的代码——批量处理、数据清洗、agent 自主任务——都是成本失控的高危区。循环是放大器：单次调用再便宜，乘上十万次就是巨款。

2. 给每个循环装三道刹车。 单日费用上限（超了熔断）、循环次数上限（防死循环）、单次调用超时（防挂起）。三道刹车缺一不可，因为失控可能来自任何一个维度。

3. 成本可视化。 把 API 费用做成实时看板，按任务、按模型、按天聚合。看不到的费用就不会被管理——这是亚马逊用 180 万美元验证过的真理。

4. Key 隔离与预算。 每个任务用独立的 API Key，每个 Key 设月度预算。这样即使某个任务失控，损失也被限制在预算内，不会波及全公司或全部个人项目。

5. 人工审核不缺席。 AI 生成的代码，上线前至少过一遍人眼。重点不是看代码风格，是确认它的行为边界：它会在什么条件下调用什么、每次调用大概花多少钱。看不懂的 AI 代码，就是定时炸弹。

这套清单对团队是管理制度，对独立开发者就是几分钟的配置工作——但价值完全一样：让 AI 为你工作，而不是让 AI 替你烧钱。

🎯 行动清单

• 第一步：盘点你正在跑的 AI 自动化任务，找出所有调用模型 API 的循环
• 第二步：为每个任务设置成本熔断——单日费用上限 + 循环次数上限 + 超时中断
• 第三步：把 API 费用接入实时监控，设置费用增速告警
• 第四步：建立 AI 代码 review 流程，确认每段 AI 代码上线前有人理解它的行为
• 第五步：给所有模型 API Key 设置月度预算，超预算自动停用

参考来源：

1. [AIbase: 亚马逊 AI 代码烧掉 180 万美元](https://www.aibase.com/zh/news/30109) — 事故详情报道
2. [Anthropic Claude 官方文档](https://docs.anthropic.com/) — 模型调用成本与限流配置参考
3. [Amazon Bedrock 定价页](https://aws.amazon.com/bedrock/pricing/) — API 成本构成参考
4. [Amazon Bedrock 监控文档](https://docs.aws.amazon.com/bedrock/) — 费用监控与告警配置
5. [OpenAI 定价页](https://platform.openai.com/docs/pricing) — 模型 API 定价对比参考

📖 延伸阅读

• 📰 本刊杂志 — 每日 AI 科技与自由生活指南
• 🧠 SkillWeaver：Agent Token 消耗砍 99% — 成本优化的另一面
• 🧠 MRAgent：Token 消耗降 27 倍 — 主动记忆重建拆解
• 🔧 Soup：4GB 笔记本微调 8B 模型 — 本地算力省钱方案

⚡ 读完了？下一步：今天就把你所有 AI 自动化任务的成本熔断器装上，别等账单教你做人。

最后更新：2026-08-05