如何让智能体工作流便宜100倍（完整指南）：

你的智能体工作流正在浪费你的token。它们反复为编排循环浪费你的钱。以下是如何修复并让你的工作流便宜100倍（没错，便宜100倍）。

实际上，在测试中，三个测试领域分别便宜了128倍、296倍和462倍，所以说100倍还算是保守估计了。

这项研究的论文由墨尔本大学的Simon Dennis、Riviaan Patil、Kevin Shabahang和Hao Guo撰写（文末会附上完整论文链接）。

本文将告诉你如何利用他们的研究，让你的智能体工作流便宜100倍，文章内容如下：

• 为什么你的智能体工作流成本如此高昂

• 一个值得记住的观点

• 具体怎么做（理论）

• 效果如何？

• 自己算账（看看花了多少钱）

• 这适合你吗？

• 完整构建指南

本指南可以让你的对话成本降低高达462倍，同时保持前沿模型87-98%的质量，所以让我们开始吧！

1: 为什么你的智能体工作流成本如此高昂

好的，假设你有一个固定的流程——一个智能体工作流。

然后这个智能体工作流所在的位置，以及仅仅这一个选择，就决定了你的智能体工作流的成本。

A: 编排

这是目前最常见的设置，软件位于模型之上，在每一轮对话中注入指令并决定对话的下一步走向。成本？每次对话0.05-0.17美元。

B: 上下文内

这是“直接提示它”的路线，将整个工作流粘贴到模型的系统提示中，然后让它自行运行。这是最昂贵的方法，成本？每次对话0.10-0.33美元。

C: 编译

这是我们将从研究论文中学习的方法——我们一次性教会一个小模型流程，然后自行托管。流程嵌入在模型内部，成本？每次对话0.0003-0.001美元。

2: 一个值得记住的观点

如果你的工作流的形状——它的步骤、分支、顺序——在每次对话之间都不变，那为什么还要每次付费去描述它呢？FFFFFFFF*****CCCCCKKKKK 去他妈的。把不变的形状放入模型本身，提示只留给实际变化的部分。看：

graph TD
    A[固定流程形状] --> B[模型内部学习]
    A --> C[每次变化的提示]
    B --> D[低成本自编排]
    C --> D

3: 怎么做？

让我们深入探讨…

步骤1：将工作流绘制为流程图

将你的流程映射为方框和箭头，没错，一个流程图。每个方框是一次对话轮次，每个箭头是可能的下一步。标记开始和对话结束的方式。为什么？这是一种精确的流程记录方式，计算机可以自动遍历。如果你能写下你的智能体工作流，那么你就可以进入步骤2了。

步骤2：从中生成练习对话

前沿模型（如Claude Sonnet）能够遍历你的流程图中的每一条合理路径，并写出每次细节不同的逼真示例对话。这就是你教它的方法，为此你需要让它运行2000-6000次对话