「用 AI 批量生成 listing」听起来是纯赚——直到账单出来。
这篇给一个能直接照着算的方法，以及怎么把成本压到合理区间。
先把账算清楚
单品成本 = （输入 token + 输出 token × 输出倍率）× 单价
几个要点：
- 输入包括提示词。如果你的提示词写了两千字，那么每一个商品都要为这两千字付一次钱。批量场景下，提示词的长度直接乘以商品数量。
- 输出通常比输入贵，不同模型倍率不同，一般在三到五倍。
- 中文的 token 消耗比英文高，同样的意思，中文往往要多花三到五成。
算出单品成本之后，乘以商品数量，再和「人工做要多少小时 × 时薪」比。
一个粗略的量级感
以一个包含标题、五条卖点、一段详情的完整 listing 为例：
- 用顶级模型：每个品的成本大致在几毛到一块多
- 用中端模型：几分到一毛多
- 五千个品的差距就是几千块
单看不多，但如果你要上五个语种，就是五倍；如果要反复迭代三轮，就是十五倍。这时候模型选择的差距就很明显了。
压低成本的三个做法
一、分层用模型
不是所有环节都需要最强的模型。
- 标题和关键词——结构化程度高、约束多，中端模型完全够用
- 卖点和详情——影响转化，可以用中端模型生成 + 强模型抽检修正
- 品牌主文案、落地页——数量少但价值高，这里才该上最强的
二、把提示词做短
提示词里的固定说明可以尽量压缩，把示例从五个减到两个，效果差异通常很小，但每个品都能省下一笔。
批量场景下，提示词每减少一百字，五千个品就省五十万 token。
三、分层校验而不是全量校验
不要每一条都人工看，也不要完全不看。
按比例抽样（比如 5%），如果抽检合格率高于阈值就整批通过；低于阈值就调整提示词重跑。这是成本和质量之间最实际的平衡点。
什么时候不该做
算完发现比人工还贵的场景是存在的，典型的有：
- 商品数量很少（几十个），自动化的开发成本摊不下来
- 每个商品的信息差异极大，提示词无法通用，需要一个个调
- 对文案质量要求极高，AI 生成后仍然需要全量人工重写
这几种情况我们会直接告诉客户不值得做。能省下的钱，也是我们创造的价值。
别忘了另一笔账
除了 token 成本，还有：
- 开发成本——把流程接起来的一次性投入
- 返工成本——生成质量不达标要重跑
- 风险成本——批量输出的系统性错误如果没被抽检发现，污染的是全部商品
这三笔加起来，通常比 token 本身更值得关注。具体实现可以看AI 批量 listing 生成与多语种改写。
AI
成本核算
listing
