ETF Agent 推出非强制 Shadow Credits 用量视图
AI 总结
ETF Agent 新增 P0 Shadow Credits 用量视图，在不拦截研究请求、支付、计费或新额度门的情况下观察资源使用。它区分 Run 请求预算、模型物理尝试和 Personal Credits，并保留未知或仅部分归因的用量，避免展示误导性的零费用。工程团队称该功能已于 2026 年 10 月 24 日进入主干，但完整收尾和 PostgreSQL 非干扰性验证仍未完成。
深度见解
该功能让 AI 智能体运营方分别看清可做的工作、实际模型调用与可归因用量，同时避免过早设置硬性限制。
用户看到研究 Agent 生成了一份报告，后台却可能经历多轮模型调用、工具执行、某次请求重试，以及一次没有返回完整用量的中断。页面显示“请求成功”之后，系统能回答这份报告到底消耗了多少资源吗？
在实际系统里，至少存在三本容易被误认为同一本的账：Run 预算约束还能做多少工作，模型物理尝试记录真实发起的请求及可观察 Token，个人 Credits按约定规则分配与展示已知用量。这三者有关联，却不能拿其中一项填补另一项的缺口。
我们最近在 ETF Agent 中加入了一个 P0 Shadow（影子）Credits 用量视图。它观察而不拦截现有研究，目标先是把身份、未知和可复核口径做对，而不是推出支付、计费或新额度门。
一、三种数字回答不同的问题
- Run request budget：真实含义：对特定 Run 允许多少次准入及阶段消耗；容易发生的误读：把请求准入次数当成 Token。
- Physical model attempt：真实含义：一次实际发往模型的物理 dispatch，以及对应的可观察 SDK 用量；容易发生的误读：把逻辑请求或 Langfuse span 当成唯一真实发送。
- Personal Credits：真实含义：当前用户月份下，按冻结费率规则计算的已知内部用量；容易发生的误读：把内部积分当作供应商发票或真实货币。