自动标记 AI 请求、追踪成本归因

OpenRouter 于 2025 年 7 月 24 日宣布 Classifiers 功能进入公测。这一工具的核心逻辑是：每一条发往 AI 模型的请求，本身就携带着大量隐性信息——它来自哪个部门、属于什么任务类型、涉及哪些敏感数据、应归入哪个成本中心。Classifiers 的目标，就是把这些隐性信息转化为可查询、可聚合的结构化标签，让企业真正看清自己的 AI 使用全貌。

在配置层面，一个 Classifier 由四个部分组成：分类体系（Taxonomy，最多八个维度，每个维度可自定义取值）、分类提示词（作为系统消息发送给分类模型）、执行分类的模型，以及采样率。OpenRouter 提供六套预设模板，涵盖部门归因、受众类型、任务类型、工程工作细分、Agent 复杂度分级，以及 AI 辅助工程工作是否可资本化等场景，用户也可从零构建自定义体系。

分类过程在每次请求完成后异步执行，不会为推理链路引入额外延迟。官方推荐使用 Gemini 3.5 Flash Lite 作为分类模型，理由是其在结构化输出任务上准确率较高且成本极低。采样率设计则允许团队差异化管理开销：例如对合规敏感的分类器保持 100% 全量覆盖，而对成本归因类分类器仅抽取 10% 流量，将分类成本控制在合理范围内。

分类结果会以结构化格式写入日志，严格约束在用户预定义的维度与取值范围内，避免自由文本带来的不一致性。用户可在日志界面按任意标签组合筛选历史请求，例如拉取所有标记为「department: legal」或「agent_complexity_difficulty_tier: complex_multistep」的记录，并在详情面板中查看每条请求的完整分类维度。此外，用户还可对任意历史请求手动触发分类，用于验证新分类体系的准确性。

在聚合分析层面，Activity Explorer 支持按任意分类维度对流量进行分组统计，回答诸如「哪类任务用了哪些模型」「哪个部门的 AI 支出最高」「Agent 复杂任务的模型选型是否合理」等问题。分类筛选条件在各个 Activity 标签页之间保持联动，便于团队持续监测使用模式的变化，并向管理层展示 AI 治理的实际效果。

Classifiers 目前已在 OpenRouter 工作区设置中向所有用户开放，即使禁用了输入输出日志记录，该功能依然可以正常工作。官方文档涵盖分类体系设计、计费说明及底层运行机制等内容，用户也可在 Discord 的 #feedback 频道提交使用反馈。对于正在规模化部署 AI Agent 的团队而言，这一功能填补了「知道花了多少钱」与「知道钱花在哪里」之间的关键信息缺口。

要点

• Classifiers 支持最多八个自定义维度的分类体系，覆盖部门、任务类型、Agent 复杂度、合规类别等常见场景，也可完全自定义。
• 分类在请求完成后异步执行，不影响推理延迟；官方推荐 Gemini 3.5 Flash Lite 作为分类模型，兼顾准确率与成本。
• 采样率机制允许对不同分类器设置不同的覆盖比例，在合规全量审计与低成本抽样统计之间灵活权衡。
• 分类结果写入日志并可在 Activity Explorer 中按维度聚合，帮助团队直观呈现 AI 成本归因与使用治理情况。
• 即使关闭输入输出日志，Classifiers 功能依然可以正常运行，降低了合规敏感场景的使用门槛。