附录 G · 成本分析¶

本附录估算 TTD 的运行成本，涵盖 LLM token 消耗、基础设施月费、以及与纯人工 SQL 开发的 ROI 对比。

诚实声明：以下成本为基于设计参数与公开定价的估算，非实际账单。LLM 定价以 2026 年公开信息为准，可能随时间变化。实际成本取决于查询量、路由分布、缓存命中率等运行时因素。

G.1 LLM Token 消耗估算¶

单次查询 token 成本（按路由）¶

路由	输入 token（估算）	输出 token（估算）	总 token	说明
nl2sql_query（缓存未命中）	~3,000	~500	~3,500	QU + SQL 生成
nl2sql_query（缓存命中）	~0	~0	~0	跳过 LLM（仅护栏+执行）
kpi_lookup	~2,000	~300	~2,300	QU + 轻量生成
deep_analysis_workflow	~8,000	~2,000	~10,000	QU + SQL + 修复 + 三级评估 + 洞察
analytical_workflow	~6,000	~3,000	~9,000	QU + SQL + 代码生成 + 洞察
graph_reasoning	~4,000	~500	~4,500	QU + NL2Cypher

估算依据：Prompt 含 DDL/白名单/术语/join 拓扑等上下文（第 6 章），deep_analysis 额外含三级评估器各一次 LLM 调用。

模型定价与单次成本¶

模型	用途	输入价（/百万 token）	输出价（/百万 token）	nl2sql 单次成本
deepseek-v4-flash	QU / 路由 / 轻量任务	¥1	¥2	~¥0.004
deepseek-v4-pro	SQL 生成 / 修复	¥4	¥12	~¥0.018
qwen3.7-max	洞察 / 可视化 / 知识 QA	¥2	¥6	~¥0.009
text-embedding-v4	嵌入（检索）	¥0.7	—	~¥0.002

混合单次成本估算（nl2sql_query，缓存未命中）：QU(flash) + SQL生成(pro) + 嵌入 ≈ ¥0.024/次

月度 LLM 成本估算¶

假设月查询量 10,000 次，路由分布：nl2sql 60% / kpi 10% / deep 15% / analytical 10% / graph 5%，缓存命中率 30%。

路由	月查询数	单次成本	月成本
nl2sql（未命中 70%）	4,200	¥0.024	¥100.8
nl2sql（命中 30%）	1,800	¥0	¥0
kpi_lookup	1,000	¥0.015	¥15.0
deep_analysis	1,500	¥0.08	¥120.0
analytical	1,000	¥0.06	¥60.0
graph_reasoning	500	¥0.03	¥15.0
合计	10,000	—	~¥311/月

成本估算的假设

deep_analysis 单次 ¥0.08 含三级评估器的额外 LLM 调用
缓存命中（30%）跳过 LLM，仅消耗 DB 查询成本
未计入 Langfuse trace 的 LLM 调用（评估回放时产生）

G.2 基础设施成本¶

开发环境（本地 Docker Swarm）¶

组件	配置	月成本	说明
单台服务器	8C / 32GB / 200GB SSD	~¥400	阿里云 ECS / AWS t3.2xlarge
DashScope LLM	按量付费	~¥311	见 G.1 估算
MinIO	本地 Docker	¥0	对象存储本地化
合计		~¥711/月	全部本地，无云依赖

生产环境（最小可用配置）¶

组件	配置	月成本	说明
Backend Swarm（3 实例）	3 × 4C/8GB	~¥600	3 台 ECS
PG Supernode	4C/16GB + 200GB SSD	~¥500	Aurora PG / RDS
Redshift	ra3.xlplus	~¥1,500	生产数据面
S3（语义资产 + 审计日志）	50GB	~¥10	对象存储
HAProxy	与 Backend 共置	¥0	容器化
Langfuse	自托管 / 云	~¥200	可观测性
DashScope LLM	按量付费	~¥311	见 G.1
合计		~¥3,121/月	最小生产配置

规模化成本曲线¶

日查询量	月 LLM 成本	月基础设施	月总成本	单次成本
100	~¥9	~¥3,121	~¥3,130	¥1.04
1,000	~¥93	~¥3,121	~¥3,214	¥0.11
10,000	~¥311	~¥3,500	~¥3,811	¥0.013
100,000	~¥3,110	~¥5,000	~¥8,110	¥0.003

基础设施成本随查询量缓慢增长（主要是扩容 Backend 实例 + Redshift）；LLM 成本线性增长但被缓存摊薄。规模越大，单次成本越低——这是 SaaS 化的经济基础。

G.3 ROI 对比：TTD vs 纯人工 SQL 开发¶

场景假设¶

某零售企业有 50 个业务人员，每月产生 10,000 次分析查询需求。

维度	纯人工 SQL	TTD
查询处理者	2 名数据分析师	TTD 系统
单次查询人工成本	分析师 30min/查询 × ¥100/h = ¥50	¥0（用户自助）
月人工成本	10,000 × ¥50 = ¥500,000	¥0（直接人工）
月系统成本	¥0	~¥3,811（见 G.2）
月总成本	¥500,000	¥3,811
查询延迟	30min - 4h（排队）	3-9s
可服务查询量	受分析师人数限制	受并发连接限制（~20 并发）

ROI 计算¶

指标	值	说明
月节约成本	~¥496,000	人工 ¥500K - TTD ¥3.8K
年节约成本	~¥5.95M	× 12
ROI	13,000%	(节约 - 投入) / 投入
回本周期	< 1 个月	系统月成本远低于人工月成本

ROI 估算的假设与局限

上述 ROI 基于以下假设：(1) 10,000 次/月查询量；(2) 人工 SQL 30min/查询；(3) 分析师时薪 ¥100。实际情况可能差异很大——并非所有查询都需要分析师（简单查询业务人员可自助用 BI 工具），TTD 也无法处理所有查询（复杂分析仍需人工）。更现实的定位是：TTD 处理 60-70% 的常规查询，复杂分析仍由分析师完成。

本节目的是展示 TTD 的成本结构，而非承诺具体 ROI。实际部署前应根据自身场景重新估算。