AI代理在重复工作上浪费代币。我构建了一个解决方案,需要测试者。
摘要
一位开发者构建了一个系统,通过跨任务复用信息来减少AI代理工作流中的代币浪费,现正在寻找测试者提供反馈。
在构建AI代理工作流时,我反复遇到同一个问题:代理不断处理相似的上下文,在已经完成过的工作上消耗代币。为解决这个问题,我一直在构建一个系统,它能在工作流中复用有用的信息,而不是将相同的上下文反复发送给模型。早期测试显示,在重复上下文的场景下能显著节省代币,但我需要真实世界的反馈来了解它在哪些场景有效、哪些场景失效,以及我遗漏了哪些用例。如果你正在积极构建AI代理、自动化工具或基于LLM的产品,我将感激你的真诚反馈。该项目目前免费测试。你可以在我的个人资料中找到它,或在谷歌上搜索“truvasocial”。我现在不是在寻找客户——我是在寻找愿意对它进行压力测试并告诉我哪里出问题的构建者。
相似文章
构建确定性工作流的AI Agent
一位开发者分享了一个基于AI Agent的自动化平台实验,该平台用于构建和管理确定性工作流,并寻求社区反馈。
人们如何在AI代理工作流中减少token浪费?
讨论了AI代理工作流中由于重复上下文导致的token浪费问题,介绍了一个名为Badgr-auto的开源代理用于去重,并询问社区如何应对该问题。
将我的Agent令牌消耗削减72%(每个任务11.9k ➝ 3.3k)。以下是我所做的具体改动,附数据
一位开发者分享了通过精简系统提示、收紧检索、裁剪工具输出等技术,将AI Agent的令牌消耗降低72%的详细案例研究,且对成功率影响极小。
我测量了AI编程助手在哪些地方浪费token,发现42%可以避免。为此我开发了一个工具来捕捉这种情况(Claude Code / Cursor / Codex)
作者测量了AI编程助手中的token浪费情况,发现42%可以避免,随后开发了一个工具来捕捉这种情况。该工具支持Claude Code、Cursor和Codex。
厌倦了只展示理想情况的AI智能体演示,所以我们搭建了一个让它们失败的地方
一位开发者构建了 Battle Agents,一个用于在可控失败场景中测试 AI 智能体的平台,以检查其决策、工具调用和恢复能力,并正在寻求社区反馈。