Revenium宣布其工具注册中心（Tool Registry）正式可用，该功能旨在让企业全面、端到端地了解其 AI 智能体实际产生的成本。该平台跳出了传统基于 Token 的追踪方式，将 API、第三方服务乃至人工干预产生的每一笔开销，都追溯至触发该开销的具体 AI 决策，据该公司称，这是首个提供全栈式智能体驱动支出视图的解决方案。
尽管大多数企业都会密切监控大语言模型（LLM）的 Token 使用量，但 Revenium 认为，Token 成本仅占运行 AI 智能体真实成本的一小部分。在实际工作流中，智能体经常调用外部服务，例如征信机构、身份验证平台、欺诈检测工具和数据提供商，每一次调用都会产生按交易计费的费用，而这些费用往往远高于模型本身的成本。
一个典型案例可以说明这种成本失衡。在贷款审批工作流中，Token 使用成本可能仅为 0.30 美元。但是，同一个工作流可能会触发一次信用报告查询，费用在 35 至 75 美元之间；身份验证费用 2 至 5 美元；欺诈检查 1 至 3 美元；银行账户验证最高 1 美元。该工作流总成本可能在 50 至 85 美元之间，而 Token 成本占比不到总支出的 1%。这些外部成本通常分散在征信机构、法律数据平台或调研工具等不同供应商的账单中，几乎无法将支出追溯到某一个 AI 驱动的具体行为。
Revenium 的工具注册中心旨在消除这一可见性缺口。该平台允许企业注册并追踪 AI 工作流中涉及的所有成本源，包括外部 API、SaaS 平台、内部计算服务以及人工审核环节。每次调用都会被映射回发起的智能体、工作流、交易链路，甚至涉及的终端客户。由此，形成了一套统一的记录体系，AI 智能体花费的每一美元都能直接与业务结果建立关联。
Revenium 首席执行官兼联合创始人John Rowell表示，成本透明度缺失已成为高管评估 AI 投资时反复遇到的难题。他指出，企业往往难以判断 AI 是否带来了实际的财务价值，因为成本分散在多个系统中，而业务结果又会在别的地方进行统计。工具注册中心通过将支出直接与智能体决策绑定，旨在清晰回答 AI 工作流是否能够产生投资回报的问题。
此次发布时机也反映了更广泛的行业趋势。Gartner预测，到 2026 年底，40%的企业应用将包含专用任务型的 AI 智能体，远高于 2025 年的不足 5%。与此同时，Forrester预测，由于投资回报的不确定性，企业将把四分之一原定的 AI 支出推迟至 2027 年。这种犹豫背后的一个关键原因是无法衡量 AI 驱动的工作流是否真的产出了超过其消耗的价值。
该平台的一个显著特点是纳入了人工参与（human-in-the-loop）的成本。在许多企业工作流中，AI 智能体仍需依赖人工审核来完成验证、合规性或异常处理。工具注册中心将这些人工干预视为同一执行链路中可计量的成本事件，使企业能够量化自动化随时间推移对人力投入的影响。例如，一个在数月内将人工审核率从 35%降至 12%的工作流，可以体现出切实的成本节约，但前提是人力成本与机器贡献能够在同一系统中进行统一追踪。
目前大多数衡量 AI 成本的工具都采用以模型为中心或以可观测性优先的思路，这与 Revenium 的方案有着本质区别。
Langfuse、LangSmith、Helicone等平台主要聚焦追踪 LLM 使用量、跟踪智能体工作流与监控 Token 的消耗。它们能详细展示提示词、响应、延迟和单个请求的成本，并通常按用户、功能或会话进行拆分。很多这样的工具会通过代理或 SDK 采集遥测数据，提供成本仪表盘、告警和评估框架以衡量输出的质量。然而，它们对“成本”的定义仍主要局限于 LLM 交互与基础设施层面的指标，对模型调用之外的环节可见度有限。
即使是Arize AI、Datadog LLM Observability等更高级的平台，也只是通过结合性能监控、链路追踪与评估，为企业提供模型行为与系统健康度的统一视图。这些工具可以跟踪多步骤智能体工作流并提供端到端的遥测。但是，它们仍然倾向于将成本视为系统使用（Token、计算、请求）的副产品，而不是将完整的业务开销归因到外部服务和调用上。
Revenium 的思路则有所不同，而是从“AI 可观测性”转向了“AI 财务归因”，它不再只关注一次模型调用花费多少，而是衡量整个智能体决策的真实总成本，包括外部 API、SaaS 平台和人工干预。目前大多数工具都无法原生捕获这一层信息。尽管部分可观测性平台可以追踪智能体工作流中的工具调用，但它们通常不会将第三方计费（如 API 单次交易费或人工审核成本）标准化并归因到单次决策或客户级结果中。
查看英文原文：Revenium Unveils Tool Registry to Expose the True Cost of AI Agents
