4个Agent协作分析AWS云成本：一位FinOps工程师如何排查跨账号账单异常
一位来自英国的 AWS/FinOps 工程师，负责企业 AWS 云环境的基础设施管理与成本优化，涉及跨账号成本分析、Terraform 基础设施即代码审查与内部运维工具评审。他配置了4个 Claude Agent，22天内产生25个 Session、213条消息，Agent 处理1,286个事件。
背景
跨账号成本分析需要在不同账号的 CloudWatch 数据和账单之间反复切换；8个 DynamoDB 表读写流量各不相同，要逐一对比预置容量与按需两种计费模式；团队内部的 Flask/Boto3 定价计算器需要从安全、错误处理、代码结构多角度评审；初始成本假设还常与实际用量不符，需要根据真实数据修正。而最终操作直接作用于生产环境，必须保留人工审批。
核心痛点
跨账号成本分析数据量大
多个 AWS 账号、每个账号多个服务，要全面了解成本构成需在不同账号的数据和账单间反复切换，手工整理效率低。
计费模式选择缺乏系统性对比
8个数据表读写流量和使用模式各不相同，逐一对比两种计费模式的费用差异需要分别建模计算，涉及大量重复性数值处理。
内部工具代码审查需要多角度评估
内部 AWS 定价计算器的审查要同时覆盖安全漏洞、错误处理、代码结构，一个人同时关注所有维度容易遗漏细节。
云端操作风险高，需要保留人工审批
切换计费模式、修改资源配置直接作用于生产环境，任何自动化误操作都可能造成服务中断或额外费用，AI 只提供建议和命令模板，由工程师确认后执行。
落地过程
第一阶段：AWS定价计算器的代码审查
两个 Agent 同时从不同角度审查内部定价计算器：一个重点检查安全性和错误处理（IAM 权限配置、API 密钥管理、异常捕获、输入验证），另一个审查代码结构和最佳实践。两份独立审查意见输出后，用户对比综合判断需要采纳的修改建议。
第二阶段：DynamoDB计费模式成本对比分析
成本分析 Agent 读取每个数据表的配置信息和预估流量参数，分别计算两种计费模式下的月度费用，输出成本对比表，帮助判断哪些表适合切换到按需模式、哪些保持预置容量更划算。
第三阶段：根据真实CloudWatch数据修正成本模型
用户提供真实 CloudWatch 监控数据后，Agent 发现实际用量与初始假设存在明显差异——有些表实际流量远低于预估（按需模式可能更划算），有些则高于预估。结合 GSI（全局二级索引）等配置对读写费用的影响，Agent 重新调整成本计算模型，输出基于实际使用数据的修正版对比报告。
第四阶段：生成可执行的AWS CLI命令模板
基于最终成本分析结论，Agent 生成一套完整的 AWS CLI 命令模板用于执行计费模式切换。但 AI 不直接执行——用户逐条检查目标数据表、区域信息和参数配置，确认无误后在对应 AWS 账号中手动执行。
工作空间实景
实际效果
多角度并行审查提高代码质量
两个 Agent 分别从安全性和代码结构两个维度审查，相当于同时获得『安全专家』和『代码评审专家』两份独立意见，覆盖面比单人审查更全面。
成本分析从『估算』变为『实测』
基于真实 CloudWatch 数据的修正让成本模型从理论估算变为基于实际用量的精确计算，8个表的计费模式建议有了数据支撑。
安全边界清晰，降低生产环境风险
Agent 不直接操作云端资源，所有 AWS CLI 命令由用户检查后手动执行；在213条消息和25个 Session 中，『提问→分析→反馈修正→确认执行』的人机节奏始终保持。
阶段成果
- AWS 定价计算器代码审查报告（安全性与代码结构两个维度）
- 8个 DynamoDB 数据表在预置容量和按需模式下的成本对比
- 基于真实 CloudWatch 数据和 GSI 配置修正后的成本模型
- 可由用户确认后手动执行的 AWS CLI 命令模板
结语
对云计算、FinOps、DevOps 等对安全性和准确性要求较高的领域，这个案例给出了一种务实模式：AI 负责分析、审查和方案生成，专业人员负责决策和执行。4个 Agent 在同一工作空间各司其职、同时工作，而工程师对一切涉及生产环境的修改保留最终控制权——既发挥 AI 在数据处理、代码审查和方案生成上的效率优势，又通过人工确认机制有效控制风险。
