Как снизить расходы на AI-агентов: схема с бесплатными моделями и автоматическим роутингом для Claude Code, Codex и других

Я — Денис Шохирев, AI-архитектор в Freiburg. В DennisCraft AI Studio я за 6 месяцев вывел в продакшн 14 AI-агентов на стеке Claude, Supabase, n8n, Doppler, Postgres. Почти у каждого заказчика вопрос: «Почему у нас такие счета за LLM, можно ли дешевле — и без потери качества?» Счета от Anthropic и OpenAI превращают быстрые POC в дорогой прод. Здесь — мой рабочий паттерн, как снизить расходы на inference без потери стабильности и качества кода.

Где теряются деньги: реальный продакшн

В логистике и финтехе 80–90% запросов к AI-агентам — это рутинные задачи: парсинг, простые проверки, CRUD-операции, SQL-генерация. Но почти все идут в платные модели (Claude Code, GPT-4o), потому что «так надежнее». По моим логам: на 3 проектах 2024 года только 13% задач реально требовали топовых моделей. Остальные спокойно закрываются бесплатными: например, Code Llama, StarCoder, Phi-3, Deepseek Coder. Если строить агент «в лоб», вы всегда переплачиваете за inference.

Схема: автоматический роутинг между моделями

Реальная экономия начинается, когда агент сам решает — отправлять запрос на бесплатную модель или на Claude Code / Codex. Для этого собираю пайплайн с 3 ключевыми этапами:

• Классификация задачи (решает: бесплатная модель или платная)
• Inference на выбранной модели (локальной или облачной)
• Проверка качества (статический анализ, тесты, ранжирование)

1. Классификатор задачи

Для маршрутизации использую lightweight-классификатор на базе небольшого LLM (например, Phi-3 или даже DistilBERT). Классификатор получает промпт/код/описание задачи и выдает label: «Safe for Free Model» или «Needs Premium». Точность зависит от данных — обучал на реальных логах задач, где вручную размечал случаи, когда бесплатные модели не справлялись (например, сложный парсинг, интеграция с нестандартным API, специфический DSL).

def classify_task(task: str) -> str:
    # Используем open-source модель для классификации
    from transformers import pipeline
    classifier = pipeline("text-classification", model="distilbert-base-uncased")
    label = classifier(task)[0]['label']
    if label == "SAFE":
        return "FREE"
    return "PREMIUM"

2. Роутинг запроса

n8n или кастомный FastAPI-роутер принимает label и направляет запрос либо на self-hosted StarCoder через vLLM, либо на облачный Anthropic API. Для self-hosted моделей использую stack: vLLM (https://github.com/vllm-project/vllm) + Docker-контейнеры на выделенном сервере (или GPU-инстанс в Hetzner). Для безопасности — inference в изолированной среде, выводы всегда проходят через постпроцессинг.

def route_and_infer(task, code_input):
    route = classify_task(task)
    if route == "FREE":
        # inference через self-hosted StarCoder
        return call_local_model(code_input)
    else:
        # inference через Anthropic Claude Code
        return call_claude_api(code_input)

3. Проверка качества: статический анализ и тесты

После генерации кода — обязательные проверки. Для Python-кода использую связку semgrep, bandit, gitleaks. Если задача требует SQL, прогоняю через custom тесты на уязвимости (OWASP Top 10). Только если весь пайплайн проходит проверки — результат отдаю пользователю. Сложные кейсы (например, интеграции с финтех-API) всегда идут через платные модели и ручную валидацию.

semgrep --config=python .
bandit -r .
gitleaks detect --source=.

Сравнение: бесплатные против платных моделей

На 2 B2B-проектах такой роутинг сократил расходы на inference на 67% и позволил запускать больше агентов без роста счета от Anthropic.

Интеграция с Supabase, n8n и Postgres

Supabase — база задач и логов для обучения классификатора. n8n — workflow-оркестрация: классификация, роутинг, логирование, алерты. Postgres — хранит метаинформацию, аудиты, результаты статического анализа. Такой стек полностью совместим с российскими и европейскими требованиями по комплаенсу — все данные хранятся в On-Prem, чувствительные запросы не уходят в облако без классификации.

FAQ

Как выбрать порог для классификатора?

Я начинаю с консервативного порога: все спорные задачи — только в платную модель. Порог корректирую когда накапливаю логи ошибок и анализирую false positives.

Какие open-source модели реально работают для генерации кода?

StarCoder, Code Llama, Deepseek Coder, Phi-3 — рабочие варианты. Конкретная модель зависит от задачи и стека (Python, SQL, JS).

Как контролировать качество кода на бесплатных моделях?

Ставлю жесткие автотесты (юнит-тесты, статический анализ), не пропуская небезопасные или нерабочие решения. Подозрительные кейсы отправляю на ручную проверку.

Как мониторить расходы и экономию?

Считаю токены и стоимость inference по каждому агенту, сравниваю baseline (только платные LLM) и реальный расход с роутингом. Для визуализации — Grafana или Supabase Dashboards.

Насколько сложно внедрить такой роутинг?

В среднем — 2–3 недели на пилот, если есть devops и опыт с Docker/vLLM. Дальше схема масштабируется на любые B2B-задачи.

В какой точке у вас в пайплайне LLM чаще всего возникают ошибки — классификация задачи, статический анализ или ручная ревью? Интересно сравнить с реальными кейсами. Провожу бесплатный аудит стека для DACH-команд, которые строят AI в регулированных рынках. Пишите в LinkedIn или в @ger_dennis_ai.