课时

本讲讲解如何把 LLM 与基础设施支出转化为可管理的度量：在何处采集 usage 数据（MCP 服务器、代理步骤、commerce），如何以 JSON 记录并关联到 request_id/ trace_id，如何通过 tokens_in/ tokens_out 与字段 cost_estimate_usd 估算成本，以及哪些聚合与仪表盘有助于快速发现“昂贵、缓慢且无转化”的部分。

本讲将以 GiftGenius 为例拆解 LLM 应用的变现：有哪些模式（B2C/B2B、免费增值、订阅、加售），如何把 price 和 cost_per_task 挂钩，以及如何以正确日志字段（ experiment_id、 variant、 cost_per_task_usd、转化、营收）开展“成本 ↔ 质量”的 A/B 实验。我们还会勾勒未来的 quality_score 的作用，并说明为何只按成本优化几乎总会破坏业务指标。

这节课讲的是通过产品事件驱动 ChatGPT App 的增长：把营销翻译成漏斗语言 AARRR，设计事件模型（ "app_opened"、 "workflow_completed"、 "checkout_success"），把 acquisition/activation/retention/revenue 与分析和成本埋点相连接，学习将活动做成以指标为准的实验，同时不打破 privacy-first 的限制。

在本讲中，你将以 GiftGenius 为例，为 ChatGPT Apps 搭建实用的“运营体系”：明确什么算事件（包括质量类事件，例如模型没有调用 suggest_gifts），SLO/SLI 如何转化为告警（例如基于 checkout_success_rate），事件的生命周期如何展开（检测 → 分诊 → 缓解 → 解决 → 事后复盘），即便是一人团队也需要哪些角色，为何要编写 Runbook，如何通过 feature flag 开启降级模式，以及如何通过运营日历让服务保持“健康状态”。

在本节课中，我们将把“App 护照”整理成一份用于生产环境的实用型 1–2 页文档：固定架构（ChatGPT → Widget → MCP → Agents → ACP/Stripe）、安全与隐私（OAuth、scopes、PII、保留期限、密钥轮换）、可观测性与 SLO、经济与产品度量，以及运维场景（事故、Runbook、on‑call）。最后给出技术与产品演示脚本，以及准备 PASSPORT.md 时的常见错误清单。