给 n8n AI 工作流建立逐项成本账本

定时运行的 workflow 往往悄无声息。没人点击，也就没人盯着，但它们每天都会调用几次模型，而每次调用都明码标价。一个月后账单来了，剩下的唯一问题就是：“到底是哪个 workflow 花了这些钱？”这篇文章会用你能亲手核对的计算公式、一个按 workflow 归集费用的简单账本方案，以及一款在浏览器里完成计算的免费计算器，回答这个问题。

我一直在维护一套面向沙龙和诊所的 n8n workflow 包。在自动化相关的讨论里，我反复看到同一种困惑：大家发现 AI 开销上涨，就开始猜原因。先测量。下面是完整的方法。

两个计费表同时在跑

动手计算之前，先把开销分成两类，因为它们的解决办法不同：

构建阶段开销。 也就是你在连接节点时使用的应用内助手。它在你调试时运行，而不是在 workflow 执行时运行。订阅可以给这部分开销设定上限。

运行阶段开销。 也就是定时运行或由 webhook 触发的 workflow 内部那些 AI 节点。这部分开销随执行次数增长，订阅并不能改变它。

如果账单的大头来自第一个计费表，就购买能封顶的订阅。如果大头来自第二个计费表，接下来的内容就是为你准备的。

每次运行中，一次 AI 调用的费用为：

(prompt tokens x price in + completion tokens x price out) / 1,000,000

因此，整个 workflow 的费用为：

cost per run   = AI calls per run x the line above + other metered cost per run
cost per month = runs per day x 30 x cost per run

最终结果由三个乘数决定：workflow 的触发频率、每次调用处理的 token 数量，以及你选择的模型。下面采用每 100 万 token 的大致公开标价，也是我的计算器内置的默认价格；请把它们改成你实际支付的价格：

示例 A：每日摘要

每次运行调用三次 AI，分别负责总结、分类和格式化；每天运行一次，每次调用包含 2,000 个 prompt token 和 500 个 completion token。

同样的工作量，价格却相差 16.7 倍，因为模型带来的价格倍数会叠加到每一次调用上。每月一美元不是什么问题。这个示例只是用来建立一个比较基准。

示例 B：每 15 分钟对回复进行分流

每次运行调用一次 AI，包含 800 个 prompt token、120 个 completion token，每天运行 96 次。这种运行方式很容易让人低估费用。

单次运行的数字看起来微不足道：0.0042 美元，还不到半美分。但定时执行会让它变成每年 145 美元，而用小模型完成同样的分流，每年只需 6.64 美元。这 21.9 倍的差距，与 Flash 相比则是 32.8 倍，就是按 workflow 归集成本的全部商业价值：没有测量过，就无从判断该选多大的模型。

这些数字从哪里来

你不必估算 token 数量，响应里就有。在兼容 OpenAI 的 API 中，chat completion 包含一个 usage 对象，里面有 prompt_tokens、completion_tokens 和 total_tokens。这些字段写在 OpenAI 公开的 API 规范里，其他供应商也沿用了相同的结构。在 n8n 中使用原始输出或 JSON 输出模式时，大多数模型节点都会在数据项的输出中提供这些 usage 信息。连接下面的节点之前，先检查一下你自己的节点某次执行的结果。

在每个 AI 步骤后面放置这个 Code 节点。它会把每条响应转换为一条计算好费用的账本记录：

// Cost ledger: one row per AI item. Prices are USD per 1M tokens.
const PRICES = {
  'gpt-4o': [2.50, 10.00],
  'gpt-4o-mini': [0.15, 0.60],
};
const out = [];
for (const item of $input.all()) {
  const u = item.json.usage ?? {};
  const model = String(item.json.model ?? 'unknown');
  const [pin, pout] = PRICES[model] ?? [0, 0];
  out.push({ json: {
    workflow: $workflow.name,
    model,
    prompt_tokens: u.prompt_tokens ?? 0,
    completion_tokens: u.completion_tokens ?? 0,
    cost_usd: Number((((u.prompt_tokens ?? 0) * pin
      + (u.completion_tokens ?? 0) * pout) / 1e6).toFixed(6)),
    day: new Date().toISOString().slice(0, 10),
  }});
}
return out;

把这些记录写入 Google Sheets 节点或 Postgres，一天后你就能知道哪个 workflow 在消耗预算，并且能细查到具体步骤。如果不想使用外部存储，也可以在 workflow 的 staticData 中维护累计值；getWorkflowStaticData('global') 可以在生产环境的多次执行之间持久保存数据。我自己的 workflow 也用同样的机制保存发送日志，并防止重复发送。

这份账本会揭示几种常见、却不易察觉的成本放大因素：

• 重试循环在每次失败后，都重新执行一个庞大的 prompt。
• 每轮都重新发送整段对话，导致上下文膨胀。
• 用前沿模型做分类，而小模型已经足以胜任。

最后一种情况的解决办法很朴素：把一个反复执行的步骤切换到更小的模型，运行一天，再比较账本记录。

如果你想在搭建账本之前先算出总费用，我专门做了一款免费工具：n8n AI workflow 成本计算器。你可以列出各个 workflow，填写每次运行的调用次数、token 数量、模型、每天运行次数，以及其他按量计费的费用，再把模型价格改成实际支付的价格。它会显示每个 workflow 的单次、每月和每年费用，以及总费用、AI 与其他费用的占比，还有开销最大的 workflow。它完全在浏览器中运行，支持英语和荷兰语，不会向任何地方发送数据。

针对同一业务中的预约安排，我还做了一个爽约成本计算器和一个候补名单补位率计算器。

拿到数字后该怎么做

按步骤选择合适的模型，而不是整套技术栈统一选择。 分类和路由几乎从来不需要大模型。把前沿模型留给那些输出质量本身就是产品价值的地方，把小模型用在高频执行的步骤上。

限制重试次数。 没有上限的重试循环会不断增加失败步骤的成本，直到它成功，或者你终于注意到。给重试设定上限，并记录失败情况。

精简重复发送的内容。 如果每一轮都重新发送完整历史记录，prompt 就会随着对话长度线性增长。发送摘要即可，除非这个步骤确实需要完整对话记录。

坦诚说一下我自己的产品：我销售的 workflow 包（29 欧元，Afspraakpack for n8n）刻意没有内置 AI 节点，因此不会增加任何运行阶段的模型开销。上面的成本计算方法，适用于你自己构建的 AI workflow。介绍这套产品核心功能的提醒功能文章在这里；另有一篇每周 KPI 摘要方案的文章，可以帮助你养成每周一按 workflow 查看指标的习惯，也在这里。

先测量，再切换。反过来做，只会把意外留到下个月的账单上。

如需进一步采取措施，你可以考虑屏蔽此人和／或举报滥用行为。