KeyFrame內部研究專用

Notion's Token Town — Sarah Sachs, Notion

AI Engineer23 min英文
觀看原始影片

三句話摘要

如何透過模型無關架構、任務分層與多代理編排,在 AI 成本高企時代建構可持續的軟體工廠。 真正的 AI 成本領導力不在追求最強的模型,而在架構決策:模型無關性提供議價籌碼、任務分層優化成本效率、可協作的代理編排系統才能讓軟體工廠真正可持續且有利可圖。 供應商就是競爭對手——如果妳被單一供應商綁定,妳沒有議價能力。前沿實驗室對自家產品的定價遠低於對第三方開發者的價格,導致妳被迫以虧損方式轉售 tokens。真正的防守是建構模型無關的架構,能隨時切換,這就是妳的籌碼。

重點整理

  1. 供應商就是競爭對手——如果妳被單一供應商綁定,妳沒有議價能力。前沿實驗室對自家產品的定價遠低於對第三方開發者的價格,導致妳被迫以虧損方式轉售 tokens。真正的防守是建構模型無關的架構,能隨時切換,這就是妳的籌碼。

  2. 成本與能力不成比例升級——新模型推出定價常高前代 40%,卻在四個月內被淘汰;有些新能力型模型多消耗三倍 tokens。如果盲目追最強模型,邊際成本會快速超過邊際收益。要精確評估每個任務真正需要什麼能力。

  3. 不是所有流量都相同——郵件分類、CSV 轉 PDF、確定性 SQL 查詢根本不需要 LLM,用 CPU 運算即可。Notion Auto Model 處理 75% 流量,同時提供最先進模型存取,才是真正的成本最佳化。開源模型(如 Claude 2.6)已足以處理中等難度任務,提供了協商籌碼。

  4. 軟體工廠的核心是多代理編排——不只是串聯 API 呼叫,而是可檢查、可追蹤、人機協作的工作流。Notion 的實例中,工程師在共享文件標記隊友,由不同代理(Claude、Devin)各司其職再自動化 PR,平均每任務省 3+ 分鐘,規模化後 ROI 巨大。但需要清晰的可見性、治理與監督。

實用技巧與重點

  • 公司現況與數據
  • Notion 已於 2026 年大幅成長 AI 使用量
  • 88% 的公司卡在「AI as assistant」階段
  • AI 成熟度四階段
  • 思想夥伴(個人嘗試)→ 助理(執行單一任務)→ 隊友(自動化重複流程)→ 系統(跨流程自動化)
  • 成本相關數字
  • 新模型定價可能高前代 40%,在 4 個月後被棄用
  • 推理模型升級時 output tokens 消耗增加 3 倍
  • Notion Auto Model 處理約 75% 流量
  • 模型與工具
  • 開源模型:Claude 2.6、Llama 現已能勝任許多中等難度任務
  • Notion Workers:減少不必要的 LLM 呼叫
  • Notion Auto Model:提供多模型切換能力
  • 合作夥伴:Parallel(網路搜尋)、Devin agents(用戶聲音蒐集)
  • 安全與治理
  • 「致命三角」風險:私有資料存取 + 不信任內容輸入(MCP/郵件)+ 外部通訊能力
  • 自主程度越高,無監督風險越大
  • 需要可見性、可追蹤性與控制機制
  • 實際成效
  • 軟體工廠流程每任務平均省 3+ 分鐘
  • Vercel 採用類似方式,看到巨大 ROI 收益

結論

真正的 AI 成本領導力不在追求最強的模型,而在架構決策:模型無關性提供議價籌碼、任務分層優化成本效率、可協作的代理編排系統才能讓軟體工廠真正可持續且有利可圖。

完整解析

AI 成本已成為許多公司的結構性障礙。Notion 的領導者 Sarah 在演講中指出,當前市場的主要問題不在 AI 能力本身,而在經濟面。新模型推出時定價常常比前代高 40%,卻在四個月內被淘汰;有些新能力型模型會多消耗三倍 tokens。這些成本漲幅往往與實際收入成長不成比例。如果一家公司盲目追求最強的模型,邊際成本會快速超過邊際收益,最終陷入虧損。

Notion 的核心洞察是:供應商就是妳的競爭對手。許多前沿實驗室對自家第一方產品(直接客戶)的定價遠低於對第三方開發者的價格。如果妳被單一供應商綁定,妳完全沒有議價能力。真正的勝利不在訓練自己的模型,而在建構模型無關的產品架構——用多個不同的模型支撐不同的任務,隨時都有能力切換供應商。Notion 的 Auto Model 就是這個概念的實踐:它默認處理約 75% 的流量,同時始終讓用戶能存取最先進的模型,避免被特定供應商綁定。

成本最佳化的第二個維度是任務分層與工具選擇。不是所有流量都應該送給最強的 Opus 模型。郵件分類、簡單資料轉換(如 CSV 轉 PDF)、確定性 SQL 查詢——這些任務根本不需要 LLM,用傳統 CPU 運算即可,成本差異巨大。同時,開源模型如 Claude 2.6 或 Llama 已足以處理許多「中等難度」任務,提供了與主流供應商協商的籌碼。正確的策略應該是:先精確評估每個使用場景真正需要什麼能力(延遲要求、準確度、複雜度),再從可用的模型和工具中選擇成本與性能的最佳點。

建構真正的軟體工廠則涉及更深層的架構與工作流設計。Notion 展示的實際案例展現了完整流程:工程師在共享文件中概述任務需求,Claude agent 自動解析並生成詳細規格;當信息不足時,系統能標記產品經理或設計師;適當時刻,Devin agents 負責蒐集用戶聲音等外部資料;最後由 Claude 自動生成 PR,經過程式碼審查(如 CodeX)後提交。這不只是串聯多個 API 呼叫,而是創造了可檢查、可追蹤、透明的人機協作工作流。實測資料表明每個任務平均節省超過三分鐘的處理時間;Vercel 採用類似方式也看到巨大 ROI 收益。但這一切的前提是系統有清晰的可見性、治理和監督——包括誰在用數據、系統的可維護性、以及多代理編排時各代理的權限邊界,這正是 Notion 投入的技術基礎。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。