设计AI产品积分体系时，新用户该送多少积分？研发说“平均一个任务消耗5万Token”，但真实数据却显示一半任务不到1.2万。平均值被长尾任务拉高，P50、P90、P95才是关键。本文用真实案例拆解AI产品指标统计的陷阱，教你如何用分位数做决策。
最近我们在给一款政务场景的 AI 办公助手设计积分体系，它类似 Codex、千问办公这类产品。
用户获得积分，执行 Agent 任务，后台根据Token 消耗扣分。第一个问题就是：新用户应该送多少积分？
假设希望初始积分够用户正常跑 40～60 个任务，那就得先知道：一个任务到底消耗多少 Token？
我去问研发。
“大概平均 5 万 Token。”
按这个数字算很简单：1 万 Token = 1 积分，一个任务约 5 积分，发 200 积分，大概可以跑 40 个任务。
方案好像马上就出来了。但我越想越觉得不对。
“平均 5 万”，真的能代表一个正常任务吗？
平均值可能和“正常情况”差的很远
我翻了最近几百个 Session 的数据，大概是：
问题一下就出来了。平均消耗接近 4 万，但实际上有一半任务连 1.2 万 Token 都不到。
为什么？因为 Agent 任务的消耗差异非常大。
有的两三轮就结束，只消耗一万多个 Token；有的会不断读取文件、调用工具、追加上下文，甚至重复调用，最后可能烧掉十几万 Token。
少数特别重的任务，会把平均数明显拉高。
举个最简单的例子：
1、1、1、1、96
平均值是 20，但正常情况明显更接近 1
但如果问“一个典型任务是什么水平”，答案显然更接近 1，而不是 20。
平均值看的是总体，代表不了大多数任务。
这时候就要看 P 值。
P50、P90、P95 到底是什么？
其实说穿了很简单：把所有任务的 Token 消耗从低到高排成一排。
P50：站在第 50 个位置的那个数——一半任务比它少，一半比它多。说白了，就是中位数。
P75：75% 的任务不超过它，大部分任务大概就在这个范围里。
P90：90% 的任务不超过它，从这里开始能看到比较重的任务。
P95：95% 的任务不超过它，基本到最重的那批了。
P99：再往上看还有 P99，专门用来盯特别极端的——比如 Agent 死循环、疯狂重试这种。
一句话
P 值回答的就是——有多少比例的任务，没超过这个数？
计算也不复杂，数据排序后找对应位置就行。100 个任务看 P90，就是大约第 90 个位置上的数。
踩坑提示 唯一要留个心眼：Excel、Python、SQL 算出来的结果可能差一点点，因为插值方式不同。团队定一个口径就行。
为什么 AI 产品特别需要看这些指标？
因为 AI 产品里的指标，天然都带长尾。
Token 消耗是，任务耗时也是，响应时间、工具调用次数、单任务成本，全都一个德行。
可能大多数任务 30 秒就结束，少数重任务却跑了 5 分钟。你要只看平均数——
“平均 50 秒”——数字没错，但用户真正经历的差异，全被藏起来了。
所以这几个数各回答各的问题：
平均值：回答“整体什么水平”。
P50：回答“一个典型任务什么样”。
P90 / P95：回答“长尾已经重到什么程度”。
P99 再往上，专门用来抓特别极端的情况——死循环、重复调用工具、异常重试。
那积分方案到底应该看哪个？
这里最容易走另一个极端：既然平均值会骗人，那是不是以后全看 P50？
也不是。指标本身不是答案，它只是帮我把决策做出来。
回到积分方案，我最后是这么用的：
P50：典型任务多重
P90 / P95：复杂任务会不会烧光积分
平均值：平台一天烧多少成本
一句话
平均值管总账，P50 管典型任务，P90/P95 管长尾风险。
至于最后发 200 还是 300 积分，还得看用户实际任务频次、想让用户爽几次、成本预算扛不扛得住。
还有一个比 P 值更重要的问题：统计口径
我后来又发现一个坑。
最开始拿到这组 Token 数据时，我以为可以直接拿来设计积分了。
仔细看日志才发现，这份数据甚至不一定是最终的计费口径。
平均值可能算对了，P50、P90、P95 也可能全算对了——但如果统计的根本不是你想要的指标，后面全是白算。
所以现在再有人跟我说“平均一个任务消耗 5 万 Token”，我会连着问：
这个 Token 是什么口径？
统计单位是一次调用、一个任务，还是一个 Session？
有没有包含历史上下文和工具调用？
里面有没有测试数据和异常任务？
这些问题，数字本身不会回答。
写在最后
做 AI 产品，看到“平均值”时，我现在会本能地再问一句：
分布长什么样？中位数是多少？长尾有多长？
P50、P75、P90、P95、P99……选哪个不是拍脑袋，取决于你想兜住多少人：定价看典型，风控看长尾。
然后再问一句：这个数字到底是怎么算出来的？
七星策略提示：文章来自网络，不代表本站观点。
