LegalOn优化模型调度：开发提速不减，AI成本骤降65%

法律科技企业 LegalOn Technologies 近期公布了其在工程开发中应用大语言模型的降本增效实践。通过在任务复杂度、开发阶段与模型规格之间建立精准匹配机制，该公司成功将日常 AI 预估支出降低约 65%，且全程保持了产品开发速度。

在将 AI 工具深度嵌入日常研发流程的初期，LegalOn 曾面临典型的工程治理难题：无限制使用高性能模型会导致预算迅速见顶，但如果采取一刀切的管控手段，又会削弱工程师的生产力。

为此，LegalOn 内部的 AI 研发卓越中心（AID CoE）主导制定了一套分层调度体系，打破了“所有任务都用顶配模型”的惯性，将任务按复杂度细分至不同梯度的模型：

• 轻量模型（GPT-6 Luna）：负责日常执行、自动化流程处理以及需求明确的基础代码编写，主要作为子智能体（Subagent）参与辅助。
• 标准模型（GPT-6.1 Sol）：用于常规软件架构设计、标准化数据统计分析以及文档编写，兼顾输出质量与响应时效。
• 旗舰模型（GPT-6 Astra）：承担高阶判断、底层系统架构设计，并在复杂多智能体协作中担任编排调度中枢（Orchestrator）。

除了动态选型，团队还默认关闭了高消耗的加速模式（Fast mode），改为通过并发执行等工程化方法平替性能损耗。同时，公司在管理后台设置了部门与个人的弹性用量上限。

在资源分配上，LegalOn 采取了兼顾成熟业务与创新孵化的差异化策略：成熟业务线被要求实现约 20% 的成本优化，而处于探索期的新业务则享有更宽松的算力额度，确保团队通过快速试错推进业务增长。多项措施协同下，公司整体日常 AI 成本缩减了 65%。

值得注意的是，LegalOn 正试图重新定义工程团队的 AI 投资回报率（ROI）。工程高级经理 Yuta Tokitake 指出，AI 能加快开发速度已是既定事实，但单纯的代码产出率并不能直接等同于客户价值。

团队目前正在搭建以“功能发布（Feature Release）”为最小维度的核算管线。通过将单次功能上线所带来的客户价值，与该功能全周期消耗的真实 AI 成本直接锚定，消除开发过程中的算力黑盒，让工程投入直接与商业收益挂钩。

下一步，LegalOn 计划建立内部经验知识库，将优秀工程师在设计、开发与审查环节的模型搭配技巧沉淀为通用实践，并在组织架构与招聘中全面融入 AI 协作能力，在风险管控与敏捷创新之间维系平衡。