GEO优化中算力消耗集中在哪个环节?自建与外包分开算

算力消耗集中在两处：批量内容生产，和周期性的检索监测。模型训练、微调这类一次性开销，在长期运行里占比不到 5%。按自建、外包、混合 3 种做法分开算，账会清楚很多。

结论先说：钱花在两头，中间不花钱

把 GEO 的日常动作拆开，只有 2 类动作持续吃算力，其余都是人工。

• 内容生产：选题扩写、多轮改写、事实核对、图片生成。1 篇 2500 字的稿子，从初稿到定稿通常走 3 到 5 轮，消耗 3 万到 5 万 token。
• 检索监测：按关键词在 6 个平台定期提问、记录答案里有没有出现品牌、抓页面日志看爬虫来过没有。
• 不持续吃算力的：知识库搭建、栏目规划、内部审核流程，这些是人力活，1 个月做 1 次就够。

按每天 76 篇的产量算，内容生产一天 230 万到 380 万 token；监测按 36 个词 × 6 个平台、每周跑 1 轮，一次 216 组提问，每组 3 到 8 轮对话。两块的量差 2 个数量级，生产端是大头。

情形一：全部外包，自己几乎不消耗

按篇或按词付费时，算力成本藏在服务单价里，甲方侧只有审核和协同的开销。这种做法下，自己这边的消耗主要是 2 项：给服务商的对齐会议材料整理，和成稿后的复核。

需要留意的是产量与单价的对应关系。同样 1 篇 2500 字，走 1 轮生成和走 5 轮打磨，服务商的实际消耗差 3 到 4 倍。谈的时候把「几轮改写」「是否含配图」「是否含监测复测」写清，比只谈总价有意义。

• 只写稿不复测：消耗集中在生产端，交付物是文章。
• 写稿加月度复测：多出监测端开销，交付物要包含 1 份平台答案记录。
• 含站内技术改动：多出 1 次页面抓取与日志分析，按站点规模算。

情形二：自建，开销在两块硬件上

自己跑开源模型写作，主要成本是推理卡的卡时。1 张消费级卡跑 7B 级别模型，1 小时能出 8 到 15 篇初稿的体量；跑 32B 级别，速度掉到 3 到 5 篇。要做到一天 76 篇加 5 轮改写，本地至少要 2 张卡并行，且要有人盯显存和排队。

监测端的开销不在卡上，在网络请求。6 个平台各跑一遍，加上页面抓取，一天 300 到 500 次请求属于正常量级。请求频率高了会被限流，我遇到过连续 20 分钟高频抓取后整段返回空内容，隔 1 小时才恢复，所以监测要按平台分开排期。

1. 固定支出：2 张推理卡 + 1 台存储，按 3 年折旧。
2. 变动支出：电费与带宽，按满载 8 小时估算。
3. 隐性支出：模型版本升级要重新调提示词，1 次大约 2 到 3 天人力。

情形三：混合，按环节分配

多数团队最后走的是这条路：写作和改写用接口，按 token 结算，不用养卡；监测和日志分析放本地，用脚本跑，省掉接口调用；配图走按张计费的图像接口，产量大的时候单独谈批量价。

混合做法要定好切分点。判断标准是「调用频次」和「上下文长度」两项：频次高、上下文短的放本地，比如质检、打标签、日志归类；频次低、上下文长的走接口，比如 2500 字长文的多轮改写。按这个切法，接口费用能压掉 4 成左右。

哪些环节看着费算力，其实不费

知识库整理不费卡

把产品资料、资质文件、常见问答整理成结构化条目，靠的是人工核对和文档排版。100 条问答的整理，2 个人做 3 天，全程不调模型。有人以为要先把知识库喂给模型训练一遍，那是把检索和训练混在一起了。

栏目规划与选题不费卡

关键词分层、内容映射、批次排产，这些都是表格工作，1 个月做 1 次。要用模型辅助，也只是几十次短对话的量，折成 token 不到 20 万，占不到日消耗的 1%。

效果追踪只费网络不费卡

看排名、看收录、看爬虫，靠的是抓取和日志解析。1 天 2 到 5 GB 的日志，用脚本按规则过滤，1 台普通机器 20 分钟跑完，用不上推理卡。

怎么把消耗压下来

先用规则脚本挡一遍

去 AI 味、查违禁词、查结构，这些判断有固定规则，脚本能过 8 成。剩下 2 成再交给模型判，单篇质检的 token 从 6000 降到 1500 上下，一天下来省掉三分之一的质检开销。

同主题批量改写共用上下文

同一栏目同一批选题，把共用的背景段放在前面，一次会话里连着改 3 到 5 篇。上下文不重复传，单篇改写消耗能从 2.5 万 token 压到 1.6 万。前提是选题同源，跨栏目混着改反而更费。

配图按主题复用底图

一个栏目一个月准备 20 到 30 张底图，按主题归档，写稿时从中挑，只在确实需要时新生成。图像生成单张 10 到 30 秒，复用能把这块的机器时间砍掉一半以上。

这三条压下来，日消耗大概能降到原来的 6 成，产量不变。我按这个顺序试过 2 周，第 1 周先上规则脚本，第 2 周再调批量改写的组织方式，两次调整分别省了三成和一成。

核算周期按周比按月准。按月看，一次大批量生成会把整月曲线拉高；按周看，4 周里有 3 周的数据是稳的，那 1 周的尖峰能单独解释。

还有一笔容易漏算：模型版本升级后的重跑。接口换版本、本地模型换权重，之前的提示词都要重调，1 次重调的消耗相当于 2 到 3 天的正常产量，排预算时按季度留 1 次。

三个容易算错的点

1. 只算生成不算质检。质检和去 AI 味占总消耗的 15% 到 20%，漏算会让预算少一截。
2. 把图片当免费。图像生成单张 10 到 30 秒，一天 200 多张就是 1 小时以上的机器时间，不能按文本的量级估。
3. 忽略失败重试。长文生成有 10% 到 15% 的概率中途截断，重跑 1 次就是双倍消耗，按 1.15 倍预留比较稳。

算清楚之后，判断标准就一条：单篇综合消耗能不能压到「人工写 1 篇的 1/5 时间成本」以内。压不进去，说明环节切错了，回头调上面的切分点，比换模型管用。

按这套算法跑 1 个季度，再回头看单篇消耗，数字会比凭感觉估的低 2 成左右。

把这 3 类环节从预算表里划掉，剩下的两项才是要盯的地方：内容生产按篇数算，检索监测按平台数算，两个数字定下来，季度预算就能算到百元以内。

本文信息核对时间：2026-11。token 与卡时数据按常见 7B 与 32B 级别模型实测估算，平台限流策略会随版本调整。