AI 调用的账单陷阱：订阅比 API 便宜 40 倍，但没人能永远补贴你

"""
AI API 调用成本估算器
用法：修改下方参数后直接运行 python cost_estimator.py
依赖：无需第三方库
"""

# ---- 参数区（按你的实际使用修改） ----
MODEL = "claude-3.5-sonnet"  # 模型名称，用于查价格表

# 价格表：每百万 token 的美元价格（输入/输出）
PRICE_TABLE = {
    "claude-3.5-sonnet":   (3.0, 15.0),   # $3/M input, $15/M output
    "claude-3-opus":       (15.0, 75.0),
    "gpt-4o":              (2.5, 10.0),
    "gpt-4o-mini":         (0.15, 0.60),
    "deepseek-chat":       (0.14, 0.28),   # DeepSeek V3 定价
    "deepseek-reasoner":   (0.55, 2.19),   # DeepSeek R1 定价
}

AVG_INPUT_TOKENS = 800     # 每次请求平均输入 token 数
AVG_OUTPUT_TOKENS = 2000   # 每次请求平均输出 token 数
CALLS_PER_DAY = 50         # 每天调用次数
DAYS_PER_MONTH = 22        # 每月工作天数

# ---- 计算区 ----
def estimate_monthly_cost():
    if MODEL not in PRICE_TABLE:
        print(f"⚠️  模型 {MODEL} 不在价格表中，请手动添加")
        return

    input_price, output_price = PRICE_TABLE[MODEL]
    input_per_m = input_price / 1_000_000   # 单 token 输入价格
    output_per_m = output_price / 1_000_000  # 单 token 输出价格

    single_call_cost = (
        AVG_INPUT_TOKENS * input_per_m +
        AVG_OUTPUT_TOKENS * output_per_m
    )

    monthly_calls = CALLS_PER_DAY * DAYS_PER_MONTH
    monthly_cost = single_call_cost * monthly_calls

    output_ratio = (AVG_OUTPUT_TOKENS * output_per_m) / single_call_cost

    print(f"模型: {MODEL}")
    print(f"单次调用成本: ${single_call_cost:.4f}")
    print(f"  输入成本占比: {1 - output_ratio:.1%}")
    print(f"  输出成本占比: {output_ratio:.1%}  ← 这部分容易被忽略")
    print(f"月调用次数: {monthly_calls}")
    print(f"月总成本: ${monthly_cost:.2f}")

    # 对比订阅价
    sub_price = 20  # 假设 Pro 订阅 $20/月
    equivalent_api_calls = sub_price / single_call_cost
    print(f"\n如果订阅价 $20/月，相当于 {equivalent_api_calls:.0f} 次 API 调用")
    print(f"你的月调用次数 {monthly_calls} 是否超出: {'⚠️ 超出！会被限速' if monthly_calls > equivalent_api_calls else '✅ 在范围内'}")

estimate_monthly_cost()

# 1. 用 Ollama 本地部署 Qwen2.5-Coder-7B（首次运行会自动下载模型）
ollama run qwen2.5-coder:7b

# 2. 在另一个终端，用 API 模式调用（Ollama 默认暴露 localhost:11434）
curl http://localhost:11434/api/generate -d '{
  "model": "qwen2.5-coder:7b",
  "prompt": "审查以下 Python 代码，列出可能有 bug 的行号和原因。只输出行号和一句话描述，不要输出完整代码：\n\ndef process_orders(orders):\n    total = 0\n    for o in orders:\n        if o.status == \"paid\":\n            total += o.amount\n        elif o.status == \"refunded\":\n            total -= o.amount\n    return total\n\n# 调用方\nresult = process_orders(None)  # 这里会怎样？",
  "stream": false
}'

# 3. 模型输出类似：
# "行 8: orders 为 None 时会抛 TypeError，建议加空值检查"
# 工程师拿到这个标记，5 分钟确认并修复——比全自动化审查更可靠

# 把上面的流程封装成半自动审查工具
import requests, json, sys

LOCAL_MODEL = "http://localhost:11434/api/generate"

def quick_review(code: str, model="qwen2.5-coder:7b") -> str:
    """本地模型初筛，返回可疑行号列表"""
    prompt = f"""审查以下代码，只输出可能有 bug 的行号和一句话原因。
不要输出完整代码，不要输出安全建议，只关注逻辑错误：

{code}"""
    resp = requests.post(LOCAL_MODEL, json={
        "model": model,
        "prompt": prompt,
        "stream": False
    }, timeout=60)
    return resp.json()["response"]

def human_confirm(machine_flags: str) -> list:
    """人工确认：模型标记的可疑点，人决定是否修复"""
    print("=== 模型标记的可疑点 ===")
    print(machine_flags)
    print("\n=== 请输入要修复的行号（逗号分隔），或输入 skip 跳过 ===")
    choice = input("> ").strip()
    if choice.lower() == "skip":
        return []
    return [int(x) for x in choice.split(",") if x.strip().isdigit()]

# 使用示例
if __name__ == "__main__":
    sample_code = open(sys.argv[1]).read() if len(sys.argv) > 1 else "print('hello')"
    flags = quick_review(sample_code)
    fix_lines = human_confirm(flags)
    print(f"需要修复的行: {fix_lines}")