每天让 AI 去查数据，但大多数时间它只是在空跑——这个「守门员」机制让我把 token 账单降到了十分之一

每天让 AI 跑任务，但大多数时间它只是在空跑——我花三个月搭了这套「守门员」机制，账单从每月三千多降到了三百多。

事情是这样的。我有个 Python 脚本每天早上自动跑：爬取三个数据源，整理成 CSV，用 AI 分析趋势，然后发到飞书群。听起来很自动化对吧？但实际情况是——数据源每天其实没什么变化，AI 分析的内容和昨天高度重复，token 账单却一天没落下。

这不是我一个人遇到的问题。我观察了身边用 AI 编程工具跑自动化任务的人，大多数都是「每天唤醒 AI 全量跑一遍」，结果 token 消耗是实际需求的 5 到 10 倍。

我后来想明白了——问题出在「AI 替我做判断之前，没有人在替 AI 做判断」。

所以我给 AI 加了一层守门员。

逻辑很简单：Python 脚本先跑，检查数据源有没有变化；没变化就直接跳过，AI 根本不用醒来；有变化了才触发 AI 任务。这和 GitHub Actions 的 cron job 里套一层条件判断是一个思路，但以前没人把这个方法论说清楚。

具体实现是这样的：

import hashlib
import os

def check_changes(data_sources, cache_file=”.data_cache”):
current_hash = hashlib.md5()
for source in data_sources:
with open(source, ‘rb’) as f:
current_hash.update(f.read())

if not os.path.exists(cache_file):
    with open(cache_file, 'w') as f:
        f.write(current_hash.hexdigest())
    return True

with open(cache_file, 'r') as f:
    cached_hash = f.read()

changed = current_hash.hexdigest() != cached_hash
if changed:
    with open(cache_file, 'w') as f:
        f.write(current_hash.hexdigest())
return changed

if check_changes([‘report.csv’, ‘metrics.json’]):
print(“数据变了，触发 AI 分析任务”)
else:
print(“数据没变，跳过 AI 任务”)

这个方法我跑了两个月，效果数据很直接：原来每月 token 消耗约 3200，现在稳定在 280 到 350 之间，减少了差不多 90%。20 个监控任务里真正需要 AI 处理的只有 2 到 3 个，其他 17 个都是白跑的。

但「变化检测」只是第一层。我后来又加了两层优化：

第一层是时间窗口过滤。不是数据变了就立刻跑，而是看变化是否在业务窗口内。比如我的报表任务是每天早上 9 点跑，数据源可能在凌晨 3 点就变了，但如果我设置的业务窗口是早上 7 点到 9 点，那凌晨的变化会被缓存起来，等 7 点再统一触发 AI 分析。这样做的好处是减少碎片化的 AI 唤醒，每次唤醒都是批量处理。

第二层是变化幅度阈值。有些数据变了但变化幅度很小，AI 分析出来的结论和昨天几乎一样，这种任务跑不跑意义不大。我后来加了一个逻辑：只有当变化幅度超过某个阈值才触发 AI。这样能过滤掉大量「名义上变了但实质没变」的情况。

三层加起来，构成了一套完整的守门员机制：

第一层：变化检测（哈希判断数据源是否真的变了）
第二层：时间窗口过滤（变化发生在业务窗口内才处理）
第三层：变化幅度阈值（变化超过阈值才触发 AI）

这套机制适合的场景有几个共同点：任务定时触发、数据源相对稳定、输出结果有前后对比价值。如果你跑的是「每天固定全量跑」的任务，先问自己一个问题——这次跑和上次跑，数据源真的变了吗？如果答案是不一定，那你就需要一层守门员。

把这个问题想清楚了，每年省下来的 token 费用，可能比你想象的要多得多。