Lindy _ 打造了 AI 員工。它將旗下服務遷移到由 Atlas Cloud 提供的開放權重模型上，推理成本降低約 90%，且未以犧牲產品品質為代價。
約 -90% 的推論成本 · 60% 的輸入 token 由快取提供 · 穩定維持每分鐘 3,000+ 請求 · 10 倍以上流量成長，無需重構任何系統 · 以單一 key 串接 11 家實驗室的 24 種模型
Lindy 在生產環境中承載著最嚴苛的 agent 工作負載，並運行於 Atlas Cloud。 這帶來了以下改變：
- 因為 Atlas 對重複呼叫按快取計價， Lindy 得以讓 agent 進行反覆驗證，而不是憑猜測行事。輸出的 token 每十個就有六個是從快取取出，因此 agent 在每個任務中重播的前綴對應成本幾乎為零。
- 因為 Atlas 針對此工作負載預先配置資源， Lindy 以提升送流量方式實現超過十倍的成長，而無需重新建構系統；Atlas 連續維持每分鐘 3,000 以上請求達一小時。
- 因為 Atlas 用一把密鑰提供完整目錄， Lindy 能一個下午採換新模型。它已透過單一整合運行過去自 11 家實驗室的 24 種模型。
- 因為 Atlas 以具名的 SOC 2 認證合約提供服務， Lindy 能將開放權重模型置於客戶資料之前，並對執行端負責。
90% 是 Lindy 的顯著成就。它能持續維持，以及為何下一次遷移會比上次更簡單，是因為背後的平台架構。
對 Lindy 而言，帳單即業務
Lindy 打造 AI 員工。Lindy Teammate 像新雇員一樣加入公司：在 Slack 中接收請求、連繫團隊既有工具、參與會議，並將累積知識留下來，使下一次請求能從更早的進度開始。沒有人編寫自動化流程，而是授權委派，由 agent 完成工作。
這種設計直接決定了基礎設施帳單。一個讀取訊息、檢查日曆、查詢記錄並草擬回覆的 AI 員工，在任何人看到一個字之前，已經發出了多次模型請求；而且因 Teammate 服務整個團隊，用量會隨人數同步成長。在這種模式下，產品背後模型的價格可以直接定企業的永續性。
"Lindy 的定價只有在推論成本持續下降時才能延續。"
— Bruno Škvorc，Lindy 資深軟體工程師
所以 Lindy 做了財務計算要求之事。它將大部分 managed agent 的流量從 Claude、Sonnet 和 Gemini 遷移至運行在 Atlas Cloud 上的 DeepSeek v4 Flash，而遷移的 route 推論成本下跌約 90%。更改模型名稱只花了一個下午。為何能在生產規模下持續讓成本優勢，同時產品不變差？這就是 Lindy 選擇 Atlas Cloud 的原因。
為何 90% 能成立：第 11 次呼叫幾乎接近免費
按 token 計費時，agent 在每個任務中對同一段前綴重複付費十二次，而帳單更會因 agent 越謹慎而遄升。這個稅負正是讓 agent 產品停留在淺層的元兇：只能做一次，而無法做三次，因為第三次的成本與第一次相同。這也解釋為何直接更換模型實際省下的比口中數字更少，因為重複前綴會默默地重新加回帳單。
Atlas 在最重的部分移除了這個稅額。Lindy 的輸入 token 中，每十個就有六個是從快取辨識，而不是重新處理，費用也以實際用量契約線定； 因此主導 agent 呼叫的前綴幾乎等於免費。這正是之所以模型切換能持續省下 90%，而非在使用量上行時被數字拖久侵蝕的原因，也是讓 agent 在有 Atlas 的支援下能執行三次來回驗證，而按 token 付費的 agent 只能跑一次的原因。
"Agent 工作負載會在多個模型請求間重複使用大量情境。Atlas 的快取讓同一段語境不需每次都付全額，這是在擴展規模時成本仍能持續壓低的主要因素。"
—— Ian McGregor，Lindy 工程主管
容量在 Lindy 需要之前就已備妥
Agent 流量不會有夜間低谷或需要事先規劃的啟動日期。工作流量是在進度與需求存在時即以穩定速率產生，它不會隨擴展而停滯。重點並不在於緩衝能變承的流量高通，而在於供應商能以多穩定的速率持續提供。Lindy 以增加流量而非重寫系統的方式實現超過 10 倍成長，而 Atlas 以負載能力持續每分鐘高達 3,000 請求達一小時。容量比工作負載更早到位，因此擴展變成一項商業決策，而從不小得基建專案。
以產品交付驗證事，而非客服單
在這種規模下，能區分供應商的不是 dashboard，而是異常發生時誰能伸出援手並給出答案。Lindy 的工程師與 Atlas 的推理工程師共用一個頻道，當天會得到可執行行動的專業提出修正。有些答案直接轉成產品特性出：Lindy 要求支援團隊帳戶所有權轉移，原本 Atlas 並未支援，但最終在 Atlas 工程師親自移動帳戶下才完成。
一個能指名而非靠路由的提供者
改用開放性的模型，需要移除原本負擔模型運作解釋的品牌。以往由實驗室品牌扮演的問題，現在指向你選擇的提供者：誰在執行這個模型？在什麼控制規範下進行？以及傳遞經過的資料如何處理？**Atlas **以具體名稱回答，而非一個抽象？路由器上的名字。在 SOC 2 CommonDraft認證下合作，並承諾不儲存客戶資料、也沒有用於訓練。這種對是否比聊天產品更需注意，因為 Teammate 在 Slack 中讀取訊息、日 It their Short cut.
不被 DeepSeek 綁住，也沒有其它約束
這次遷移讓 Lindy 承諾的策略，而非特定模型。DeepSeek v4 Flash 通過終止測試，會在仍維持價格與品質的情況下保留當下地位。作為動力的「全勝者」，下一位勝出者可能來自別實驗室、不同的授權，而因為 Atlas Cloud 以同一個 API key 提供全目录，可隨時測試，只需疫情下午的時間，並不需要一整個採購週期。Lindy 在一場測試中，透過它既有的金鑰已完成未使用過的字型模型的 470 條電請，跨七個實驗室、三種模態，其中有 3 個成為了生產工作負載。透過 Atlas Cloud 保持隨時運行最佳模型的彈性，讓 Lindy 獲得真正的經營上的流動性。"
如果你在 marketplace 上运行 agent，就 转到它
Lindy 走過這條路。它最初在 OpenRouter 遇到 DeepSeek，並用它在那兒評測模型，確定值得遷移。但在同一測試中，它也察覺了最終會決定它用生產環境的因素。
"我們也測試了不同推理服務商上的相同模型。令人惱人的，提供者之間截然不同。同一個標名模型，在不同的服務者手中分數仍不同。"
—— Bruno Škvorc，Lindy 資深
市場是設計為了讓你購，不是經營你的產品。通過 router 進入生產流量，都會落到該 providerspare capacity，你無法決定誰來服務你的模型，也無法看到誰確實服務。權重相同、但伺服器不同，會產生不同數字，來自量化或他所依賴的伺服器架構。不同的式轉在到達使用者端之前先於仪表板發。路由器每跳一次，便會默默重擲產品的品質，而你卻無法除錯，因為你無法知道誰處理那筆呼叫；也無法加以修正，因為你不擁有路由的全面控制。這正是聲譽，由一枚你無法翻動的硬幣決定。
所以 Lindy 沒有在 OpenRouter 上運行生產流量。當真實流量上線時，改由與 Atlas 直接簽約，同一個服務堆疊處理每一個請求，為特定模型對應調校，並依合約為準，可導入快取與容量，再加上同一把鑰鏈掌控整個目錄。如果你的 agents 已在生產環境，卻仍透過 router，你他所從事的產品，你無法隨時保持穩定，直到客戶先察。請像 Lindy 一樣，把遷移他們。
與我們討論您工作計畫我們會告訴您合理成本；或瀏覽模型目錄。
關於 Lindy
Lindy 打造 AI 服務的 AI 員工。Lindy Teammate 將於 2026 年 8 月時推出，可與人類團隊高效協作：在 Slack 中接收请求、連接公司既有工具、加入會議，並且累積團隊的情境，以便每一次新請求從下一進度出發，而不是回家。與其要人去建立、維護自動化，Lindy 請人去委託。Lindy 由創辦 Flo Crivello 於舊金山創始。
關於 Atlas Cloud
Atlas Cloud 是一個統一的全模態 AI 平台：串聯影片、影像、語言與語音的 400+ 模型，透過一個 API 金鑰、一個端點與一個結帳帳號，兼容 OpenAI 語言模型。具備 SOC 2 與 HIPAA 認證。
