写代码已经不是瓶颈，AI 产品开始补基础设施的旧账

如果你正在做一个带 Agent 的 SaaS 产品，今天最值得关注的消息不是又多了一个模型。真正重要的变化发生在模型之外。代码写得太快，版本控制先扛不住了。Agent 能力越来越强，账单和上下文管理却成了产品能否规模化的分界线。通用大模型铺开的能力，也正在被更便宜的专用小模型接手。

这些信号放在一起，指向同一个判断。2026 年下半场，AI 产品的竞争重点正在从“能不能做”转向“能否稳定、便宜、可控地做一万次”。

Anthropic 每天合并 3 万次代码后，Git 不再是理所当然的答案

Anthropic 公布了一组很有冲击力的数据。公司单体仓库的代码合并量，从 2026 年 5 月约 2,500 次每日，上升到 9 月超过 30,000 次每日。主分支历史接近 100 GB，压缩后的工作副本超过 25 GB，CI 每天要执行约 2,500 万次代码检出。若每次都按传统方式拉取，理论流量会超过 600 PB 每日。

中文翻译一下，这并不是“仓库有点大”，而是过去围绕人类开发者设计的基础设施，开始承受机器开发者带来的写入洪峰。

Anthropic 的应对方式是用五个月自研 Scion，并把单体仓库完整迁出 Git。Scion 假设客户端始终在线，让服务端负责提交、合并、变基、历史和 blame 查询，客户端只保留有限缓存，并按需取回文件。详细设计见 Anthropic 的工程文章。

我的判断是，多数团队现在不需要重写版本控制，但应该提前观察瓶颈的迁移方向。AI 编码让“产出更多代码”越来越便宜，审查、测试、合并、权限和回滚却不会自动变便宜。对 opcpay.org 的读者而言，值得问的不是团队用了多少 AI，而是每增加一个 Agent，CI 成本、变更吞吐量和故障恢复时间发生了什么变化。

Asana 用 144 次实验把浏览器 Agent 成本降到 0.47 美元

Asana 的案例给出了一本更适合中小团队抄作业的账本。团队让 GPT-6 Astra 在 Codex 中研究浏览器 Agent，通过 144 次运行比较四种模型、两档历史预算和六种缓存与截图策略。最终，优化后的 GPT-6.1 Sol 工作流平均每次运行估算成本为 0.47 美元，约四分钟完成任务，相比原生产方案便宜 76 倍、速度快 5 倍。

中文翻译一下，最大的浪费并不完全来自模型价格，而是每一步都把不断增长的网页文本和截图按原价重新发送。团队扩大历史预算，把浏览历史纳入缓存，并让截图积累到 20 张后再批量缩减至最近一张。优化后 89% 的输入命中缓存，缓存输入价格仅为未缓存输入的 5%。实验细节可见 OpenAI 发布的 Asana 案例。

我认为这里最值得记住的不是“换某个模型”，而是“先测量请求是怎样变贵的”。许多 SaaS 团队把 Agent 成本理解成单价乘 token 数，实际还要看历史是否稳定、缓存能否命中、图片何时删除，以及失败后是否会重复访问旧页面。

对 opcpay.org 的读者而言，这直接关系到 AI 功能的毛利。把一次自动化任务从几十美元降到不足一美元，往往不是靠谈更低的 API 单价，而是靠重新设计上下文生命周期。产品看板里应同时出现完成率、单次成本、运行时间和人工接管率，否则“很聪明”的功能可能越受欢迎，亏得越多。

GitHub 用 ModernBERT 把密钥扫描成本降低超过 98%

GitHub 没有让更大的通用模型处理所有密钥判断，而是搭了一条两阶段流水线。第一阶段用正则表达式广泛找出疑似凭据，追求不漏报。第二阶段由微调后的 ModernBERT 读取文件路径、变量名和周边代码，判断它是真密钥，还是示例值、测试数据或哈希。

这套方案带来的结果很具体。用户加权接受率提升 11.5%，推送后扫描中位执行时间下降 86%，相比此前依赖远程 LLM 的流程，服务成本降低超过 98%。完整方法见 GitHub 的技术说明。

中文翻译一下，规则负责把网撒大，小模型负责理解上下文。两者组合，比让昂贵大模型从头处理每个字符更适合高频、边界相对清楚的任务。

我的判断是，SaaS 团队下一轮成本优化会重新发现“小而专”的价值。支付风控、工单分类、字段抽取、内容审核和异常检测，都可能采用类似结构。先用确定性规则筛选，再把最难的候选交给专用分类器，最后只将少量模糊样本升级给大模型或人工。这比“所有请求都走最强模型”更像一门可持续的生意。

Sophos 把安全案件响应从 38 分钟压缩到 89 秒

Sophos 每天从 500 多个第三方集成及自家产品接收数万亿事件，最终压缩为约 1,000 至 2,000 个待调查案件。采用 OpenAI Daybreak 构建 Agent 后，适用案件的平均响应时间从约 38 分钟降到 89 秒，52% 的 MDR 案件可在分析师设定的边界内端到端处理。

这里的重点不是“AI 取代分析师”。Sophos 保留了通知、协作和授权三种操作模式。低风险流程可以自动执行，可能产生破坏性影响的动作仍需要合适层级的人类判断。案例数据与边界设计见 OpenAI 的 Sophos 案例。

中文翻译一下，自动化程度不是一个统一开关，而是一组与风险匹配的权限档位。

这对支付产品尤其重要。退款、拒付、冻结账户、修改收款信息等动作，影响远高于整理资料或生成建议。好的 Agent 产品不只展示它能完成什么，还应清楚说明它在什么情况下只能建议、什么时候需要确认、哪些动作可以自动执行。速度带来价值，边界才带来信任。

今天四条信息最终落在同一张经营表上。代码吞吐量上升后，基础设施要重新设计。Agent 成本失控时，上下文要重新设计。大模型太贵时，模型组合要重新设计。自动执行进入高风险场景后，权限也要重新设计。

对于正在做 AI SaaS 的人，下一步不是再加一个闪亮的对话框。更实在的做法，是挑选一条高频工作流，连续记录一周的单次任务成本、完成时间、失败重试率和人工接管率。那些数字会告诉你，真正的产品壁垒究竟藏在哪里。