付给我们 $2，在您的 LLM 上省下数倍的开销。
WOS 每次查询只向您的 LLM 提供约 1,000 个 token（一段大小受限且高度相关的切片），而不是把完整历史塞进每个提示词。两者差距巨大，且随历史增长而不断扩大。
每 1,000 次查询的 LLM 成本 基于 Tablet 1
用户历史100K
每月查询次数1,000
您的 LLM
45× 更便宜，每月节省 $244
在 WOS 上每花 $1，就能在 LLM 上节省 ~$98。历史越大、模型越贵 → 回报越高。
节省从何而来
- 不使用 WOS 时，您需要把完整历史塞进每个提示词：按 GPT-4o 输入价格计算，每次查询
100K tokens × $2.50/1M = $0.25（Opus 级模型约为其 2 倍）。 - 使用 WOS 时，您只需一次性写入（
$2/1M），之后每次查询只是一次极小的检索（$3/1M × 1,000），加上您的 LLM 只需读取约 1,000 个 token。 - 您的 LLM 读取的 token 越少，您付的钱就越少，而 WOS 会让这个数字在记忆增长时保持平稳。
上下文压缩比 = 历史 ÷ 提供的 token 数，而非成本（上方计算器已对每次检索计价）。 25K → 21× · 100K → 83× · 200K → 167×。