软通动力与月之暗面达成合作？这一商业战略合作已获官方证实，软通动力信息技术（集团）股份有限公司与 Moonshot AI（月之暗面）签署了基于 Moonshot Program 的 Token 分享协议。在过去，企业级 AI 落地主要依赖于项目制交付或固定的 API 定价模式。而如今，随着 Token 计费模式成为市场主流，企业正转向通过收益分成（Revenue-sharing）模式开展合作，使基础设施成本与长期业务成果紧密挂钩。随着企业 AI 平台向“按用量付费”的模式演进，各平台也在持续应对不断变化的商业化格局。多年来，对 API 调用缺乏约束往往会导致账单失控。当前，工程团队为了优化运营预算并建立稳定的 FinOps 管理机制，必须向管理更严格、Token 使用更高效的系统架构转型。
软通动力为何牵手月之暗面：将大上下文工作负载与商业 ROI 对齐
核心要点
- 港股上市公司软通动力 (00354.HK) 股价于 2026 年 7 月 20 日大涨超 30%，最高触及 4.06 港元。
- 双方将共同组建一线部署工程师 (FDE) 创新实验室，专注于为能源、电力及金融行业开发企业级 AI Agent。
- 联合架构将软通动力的 AllMeta 平台与 Moonshot AI 的 Kimi K2.7 Code 及 K3 模型深度融合，利用 Kimi 的百万级 Token 上下文窗口能力。
定制化软件交付与事务性云 API 之间的传统平衡点已面临严峻考验。多年来，大型系统集成商主要通过项目合约或人力外包模式交付企业软件。在这种模式下，客户支付一次性实施费用，而托管与维护负担相对可控。然而，大语言模型 (LLM) 和自主智能体 (Autonomous Agents) 的快速应用，引入了一个极具波动性的变量：基于 Token 的计量 API 交易成本。
随着企业部署自主智能体来处理复杂的业务场景，其持续运营成本与 Token 的消耗量紧密绑定。高并发场景（如金融投资组合分析或电网监测）每日会产生数以百万计的 API 查询，从而带来巨大的财务压力。对于大型企业而言，这种计费模式带来了极大的成本控制挑战。软通动力此次合作的战略意义在于，标志着 IT 服务提供商正从单纯的交付者转型为 Token 运营方，通过分享模型调用带来的持续性收益，共同优化业务价值。详情可见软通动力官方港交所公告。
软通动力与月之暗面合作框架的底层机制
在应用层，大上下文模型调用的技术成本完全取决于处理的 Token 数量。Moonshot AI 旗下的 Kimi K3 模型拥有百万级 Token 上下文窗口，单次会话即可处理约 75 万个中文字符。虽然这一超大上下文消除了对复杂项目目录手动分块、索引的繁琐操作，但也显著提升了硬件层的内存带宽与 GPU 推理需求。
每当企业级智能体从活动会话中检索数据时，都必须处理整个上下文窗口。在标准 API 计费模式下，其定价约为每百万输入 Token 3 美元，输出 Token 15 美元。如果系统频繁执行冗余的有状态操作，将立刻导致成本瓶颈。由于 Token 分享协议将 API 调用与商业收益直接挂钩，减少冗余 Token 消耗既是技术优化要求，也是财务降本的必然选择。
协议分离：有状态内存 vs. 无状态会话 Token
为了管理这些高频 API 成本，FDE 创新实验室的首要任务是优化底层数据检索链路。在模型活动上下文窗口内存储持久化的长期对话历史，需要进行持续且高频的内存同步。相比之下，无状态架构将智能体的活动工作区与长期内存解耦，仅在必要时通过临时的会话 Token 传递上下文。下图展示了这两种数据流之间的结构差异：
[有状态上下文存储（高 API Token 开销）] 用户查询 ──> 长期上下文窗口 (1M Tokens) ──> 高内存占用 ──> 账单失控 [无状态会话流（优化后的 Token 开销）] 用户查询 ──> 无状态处理节点（会话专属 Token） ──> 会话清除（保留核心上下文）
采用无状态处理可以确保在后续查询中不会处理冗余参数，从而显著降低 Token 开销。移动应用归因中也存在类似挑战，隐私合规政策同样减少了对持久化客户端标识符的依赖。当用户交互行为不再绑定于持久化的本地 Cookie，以满足隐私准则时，在不同环境下维持顺畅的会话连贯性便变得异常复杂。例如，当浏览器 Referrer 缺失或 Cookie 被禁用时，移动归因系统必须依赖服务端状态匹配，在不侵害用户隐私的前提下关联独立事件。
自建 vs. 采购：服务端会话连续性与数据吞吐量管理
随着现代计算环境为了遵守数据隐私法规而逐步放弃客户端标识符，在分布式数字触点中维持会话状态并保护凭证已成为首要工程挑战。对于开发者而言，在软通动力与 Moonshot AI 合作的新时代，构建既合规又精准的架构至关重要。需要跨 Web 和移动端安全保存用户旅程及状态的企业，正越来越多地采用服务端会话管理，而非依赖持久化的客户端标识符。
架构评估：定制自建 vs. 标准化 SDK
自建服务端状态匹配系统虽能提供极高的灵活性，但需要持续投入大量研发资源。开发者不仅要手动设计数据库架构，还必须编写安全的加密哈希函数，并根据不断变化的区域法规频繁更新系统。相反，部署经过认证的标准化 SDK 可大幅降低集成复杂度，并在无额外运维开销的前提下确保长期合规性。
下表对比了管理会话状态与转换上下文的标准方案：
| 解决方案 | 状态持久性 | 数据吞吐量 | 适用场景 |
|---|---|---|---|
| 自建会话数据库 | 高（持续同步） | 中（受数据库延迟限制） | 具备特定存储逻辑的定制化企业环境 |
| 浏览器会话追踪 | 低（会话 Cookie） | 低（无服务端日志） | 基本的网站统计与低频跨域转换需求 |
| 无状态内存缓存 | 无（临时服务端会话 Token） | 高（标准化沙盒） | 高并发移动 App 及多平台营销活动归因 |
尽管企业 AI 计费与移动归因解决的是不同的商业问题，但核心逻辑一致：即尽量减少冗余的状态同步和不必要的数据传输。根据实施需求，组织可以选择自建服务端架构或采用商业化平台。主流归因平台通常具备服务端参数还原、deferred deep linking 及状态匹配能力。例如，OpoInstall 等平台提供服务端参数还原、deferred deep linking 及参数透传功能，通过将会话元数据映射至服务端数据库，在不依赖客户端持久化标识符的情况下匿名维护会话连续性。通过将状态存储在集中的服务端数据库而非浏览器缓存中，这类架构确保了即便初始任务是匿名执行的，转换上下文依然具备一致性。工程团队可根据业务需求评估这些方案，以平衡数据合规与监测准确度。
集成检查清单：加固会话工作流以应对 Token 通胀
随着平台转型向内存计算架构，工程与产品团队必须采用稳健的状态保存工作流，以确保数据管道安全及转换数据的一致性。
开发者实施清单
- 审计活跃 Token 分配：审查应用内存配置，最大限度减少垃圾回收停顿，避免在高并发环境中出现性能损耗。
- 转型服务端身份匹配：根据公司港交所公告要求，实施无状态会话握手，利用临时 Token 安全传递用户参数。
- 部署加密请求签名：通过要求对所有状态匹配请求进行加密签名，保护 API 接口免受自动化恶意篡改。
产品与增长策略清单
- 优化会话工作流：减少重复的上下文传输，优先考虑无状态请求处理，以提升 Token 使用效率。
- 部署安全凭证委派：利用稳健的服务端参数透传框架，在不违反用户隐私准则的情况下维持获客效果监测。
- 验证会话数据库可扩展性：确保您的状态匹配数据库具备水平扩展能力，以支持高吞吐量的实时转换查询。
通过建立这些结构化指南，开发团队能够将应用转向更安全、更合规的架构，同时保障运营的连续性。
常见问题解答 (FAQ)
为什么说使用闭源商业模型会导致企业“双重付费”？
Kimi K3 的百万 Token 上下文窗口有哪些技术优势？
企业如何在 Token 分享模式下降低调用成本？
写给工程团队的关键洞察
随着企业 AI 平台向基于 Token 的商业模式转型，开发者需要围绕隐私、透明度及合规数据管理重新设计产品。演进中的数据架构要求我们必须对数字体验的构建与度量方式进行根本性变革。随着企业直接为 Token 消耗买单，每一次非必要的请求都成为了可量化的经营成本。标准数据管道需要稳健的服务端数据保存方案来协调分散的会话事件，常规的追踪模型必须随之调整，在不依赖易受攻击的客户端存储的前提下加固数据管道。
为保持增长，工程与产品团队必须优先考虑无状态数据结构和服务端状态保存。通过实施零信任身份验证、安全参数透传框架以及稳健的数据清除计划，组织可以在尊重法律边界的同时守护用户路径。这一架构转型对于在受监管的数字经济中构建稳定、可信的平台至关重要。
Share this article
