智能体成本主要来自上下文，而非补全
摘要
这篇文章认为，AI 智能体系统的主要成本来自处理上下文（输入令牌），而非生成补全（输出令牌）。
暂无内容
相似文章
我曾以为AI代理成本只是后端问题。我错了。
作者反思了自己曾误以为AI代理成本仅是后端问题的看法，暗示成本因素涉及更广的视角。
子代理在长代理运行中占据大部分Token成本：实际可将使用量降低70%至90%的修复方法
本文分析了 Bai 等人 2026 年的论文，该论文表明，子代理和上下文膨胀导致长代理运行中的Token成本比普通聊天高出约1000倍，并提出了三种实用的修复方法（PLAN.md、读取预算、带外备注），可将Token使用量减少70-90%。
运行AI代理最昂贵的部分不是令牌消耗，而是花在弄清楚它们行为原因的时间。
构建AI代理的过程揭示，主要成本在于调试——花费数周追踪诸如上游API变更等问题——而不仅仅是令牌或模型推理成本。
我认为很多人低估了不可靠 Agent 的成本有多高
作者指出，不可靠 AI Agent 的隐性成本在于持续人工监控所带来的认知开销，并强调在实际落地中，可预测性与环境稳定性远比模型的原始智能更重要。当 Agent 运行在受控且经过验证的环境中，而非充满不确定性的环境时，实际工作流的效率将得到显著提升。
编程代理是否变得昂贵，还是我们对成本的衡量方式有误？
本文质疑编程代理的真实成本是否包含隐藏的人力监督和调试，认为真正的价值应以可信输出来衡量，而非原始 token 消耗。