AI Agent 的 Token 经济学：在不牺牲质量的前提下降低成本

对于一家 Shopify 规模的商家助手而言，如果每天处理 1000 万次对话，未经优化的月度费用将高达 210 万美元；而经过优化后，这一数字可降至 45 万美元。这 78% 的差价并非源于算法层面的突破，而是归功于缓存、路由策略以及一些工程规范——这些通常是许多团队在收到账单前会忽略的细节。

AI Agent 并非仅仅是多了几个步骤的聊天机器人。单一的用户请求会触发规划、工具选择、执行、验证，甚至包括重试循环——其消耗的 Token 大约是直接交互的 5 倍。如果一个 ReAct 循环运行 10 个周期，相比单次处理，Token 消耗量会激增至 50 倍。按照前沿模型的定价来计算，这种数学模型很快就会变成巨大的负债。

本文将深入剖析 Agent 成本的来源，并介绍那些确实能起到作用的具体技术（附带数据）。

为何 Agent 成本不同于 Chatbot 成本

首先需要理解的是输出 Token 的溢价问题。在主要供应商中，输出 Token 的价格通常是输入 Token 的 3 到 8 倍，这是因为生成过程是串行的，而输入处理可以并行化。对于重推理模型，这一比例甚至达到 8:1。当你的 Agent 产生冗长的工具调用响应、详细的推理痕迹或长篇摘要时，你都在以溢价费率为每一个输出 Token 买单。

上下文长度加剧了这一问题。由于注意力计算的二次方成本，处理 128K Token 的上下文成本大约是 8K 上下文的 64 倍。Agentic 系统自然会累积上下文：系统提示词、工具定义、对话历史、检索的片段以及工具响应。每一轮对话，上下文都在增长。大多数团队在预发布环境会发现这一点：原本在简短测试中单次任务成本 0.05 美元的 Agent，在面对真实文档库时成本突然飙升至 1.50 美元。

目前，最便宜和最昂贵模型选项之间的差距约为 60 倍。以每百万输入/输出 Token 约 0.075/0.30 美元的 Gemini Flash-Lite 为例，对比定价 15/60 美元的前沿推理模型。这种差距是一种机遇——但前提是你必须进行有意识的路由。

Prompt 缓存：唾手可得的收益

Prompt 缓存的工作原理是复用先前请求中计算出的键值注意力张量，前提是新请求与旧请求共享相同的前缀。Anthropic 对缓存的输入 Token 提供 90% 的折扣（0.30 美元/M 对比 3.00 美元/M），Google 提供 75% 的折扣，而 OpenAI 则在符合条件的请求上自动应用 50% 的折扣。

对于 Agentic 系统，其启示在于：精心设计你的 Prompt 结构，确保静态内容排在前面。系统提示词、工具定义、少样本示例、策略文档——这些都应构成稳定的前缀。动态内容（实际的用户消息、当前轮次检索的上下文）则置于末尾。这无关美观，它直接决定了缓存是否生效。

在实践中，Claude Code 实现了 92% 的缓存命中率，从而降低了 81% 的处理成本。固定的 10,000 Token 系统提示词在首次请求后几乎不再产生费用。一个客服应用将其产品目录从动态插入改为缓存前缀，在未改变输出质量的情况下，每月 API 账单减少了 12,000 美元。

除了降低成本，缓存还能减少延迟。当长前缀启用缓存时，平均响应延迟从 800ms 降至 350ms，因为模型跳过了对稳定部分的注意力矩阵重新计算。

工程开销极小：缓存窗口的 TTL 范围从 5 分钟（Anthropic）到大约 1 小时（OpenAI）不等。对于服务于重复用户会话的 Agent，预热缓存几乎是始终可用的。对于批处理管道，应构建作业以使批次内的请求共享前缀。

模型路由与级联：匹配成本与复杂度

并非每个查询都需要前沿模型。关键在于如何判定哪些需要——答案取决于三个维度：推理复杂度、质量敏感度和上下文长度。

在典型的生产 Agentic 工作负载中，分布大致如下：

• 60% 的任务较为直接：提取、分类、格式化、模板化响应。这些在低于 1 美元/M 的模型上即可流畅运行。
• 25% 需要中等推理：多跳问答、代码生成、结构化分析。中端模型（0.80-4 美元/M）能很好地处理这些。
• 12% 涉及真正的复杂性：模棱两可的指令、长周期规划、跨异构源的综合。高端模型在此处物有所值。
• 3% 需要前沿推理：新颖问题、高风险决策、突发行为。

实施良好的路由系统在典型的 Agent 部署中可实现 30-60% 的成本降低，顶尖实现甚至能达到 87%。

对于 Agent 系统，实用的模式是将编排与执行分离。在规划层使用昂贵的模型——它读取相对较短的任务描述并做出路由决策，因此其 Token 消耗是有限的。在执行步骤中使用廉价模型：摘要、提取、格式转换、检索排序。由 Claude Haiku 执行工具调用，而 Sonnet 或 Opus 负责规划整体策略，这是一种常见且有效的分工。

模型级联更进一步：从最便宜的层级开始处理每个请求，根据标准（置信度、格式有效性、如有检索源则基于事实依据）对响应打分，若分数低于阈值则升级处理。级联带来的额外延迟通常是值得的——大多数请求在第一层级完成，只有少部分难题才会触发升级。

基于置信度的路由需要一些校准。如果你自己构建，对于开源模型，logprob 熵是一个可用的信号。对于专有 API，你需要一个代理评估器（通常是一个更小、更快的模型，用于检查第一次响应是否满足你的质量标准）。代理增加的成本通常仅占路由节省费用的 5% 以下。

上下文压缩：精简输入内容

上下文中的每个 Token 都有直接成本。上下文压缩就是将上下文剥离到任务所需的最低限度的实践。

滚动摘要是基线技术。不再传递完整的对话历史，而是每 N 轮（通常 5-10 轮）进行一次摘要。摘要向前传递；完整记录则被归档。这使得上下文增长随摘要频率呈线性关系，而不是随轮次线性增长。权衡在于早期轮次的细粒度细节将不可用——这对大多数用例是可以接受的，但对于需要记住每个决策的代码审查 Agent 则不可行。

工具输出掩蔽经常被忽视。当 Agent 调用网页抓取器、API 或数据库查询时，原始响应通常包含标题、元数据以及与当前任务无关的字段。在插入上下文之前剥离这些内容，可以将工具输出 Token 减少 60-80%。为每种工具类型编写后处理器，仅提取模型真正需要的字段。

习得式压缩工具如 LLMLingua 使用较小的模型来压缩 Prompt，识别并移除低信息 Token。有报告显示客服 Prompt 从 800 Token 减少到 40 Token（减少 95%），且保持了可接受的准确性。需要注意的是：压缩本身需要一次 LLM 调用，增加了延迟和 Token 成本。只有当压缩后的 Prompt 在大量请求中复用，或者压缩器的成本远低于主模型成本时，这笔账才算得过来。

检索的相关性过滤很直观：不要传递所有检索到的块，只传递那些超过余弦相似度阈值的块。将阈值从 0.7 提高到 0.8 通常能减少 40-60% 的检索 Token，同时减少那些本会稀释模型注意力的噪音。

语义缓存：彻底消除调用

语义缓存根据输入的嵌入来索引并存储 LLM 响应。当新查询到达时，将其嵌入与缓存的查询进行比较——如果相似度超过阈值，则返回缓存响应而无需 API 调用。

在典型的生产工作负载中，大约有 31% 的 LLM 查询具有足够高的语义相似度，可以从这种技术中受益。缓存命中在毫秒级返回（相比之下 API 调用需秒级），且 API 费用为零。对于支持聊天机器人、FAQ 系统以及查询分布呈集群状的应用，语义缓存可以直接消除 20-40% 的 API 调用。

权衡在于对新鲜度的敏感度。对于答案频繁变化的应用，陈旧是一种风险。根据你内容域的变化速度配置 TTL。对于静态知识库，激进的 TTL 是合适的。对于实时数据查询，则完全禁用该类查询的语义缓存。

硬性限制不可或缺

最廉价的优化手段是防止失控循环。一个记录在案的生产事故：一个 Agent 在一个周末针对损坏的数据源发出了 847,000 次 API 调用，在被暂停前累积了 3,847 美元的费用。另一个例子：一个 Agent 在五分钟内调用了 400 次抓取工具，因为该工具返回“可能有更多结果”——Agent 将其解读为继续获取的邀请。

每个 Agent 在部署前都需要设定三个硬性限制：

1. 每个任务的最大迭代次数。 设定为预期平均值的 2-3 倍。大多数 Agent 框架（LangGraph、AutoGen、CrewAI）都将此作为一等配置项暴露出来。
2. 每个任务的最大 Token 支出。 设定为预发布环境中观察到的 P95 支出的 3 倍。将其作为中间件实施，在每次模型调用前检查累积成本。
3. 最大墙钟时间。 用于捕获那些通过反复进行快速、廉价调用来规避 Token 预算的死循环。

模棱两可的工具反馈是失控循环最常见的原因。如果一个工具能返回被解读为“继续”的信号，Agent 就会一直继续下去。在工具输出模式中要明确：包含一个 is_complete 布尔值或 next_action_required 字段，而不是依赖模型来推断终止条件。

FinOps：上线前必须具备的观测能力

成本的可视化是闭环的关键。没有它，优化只是猜测，异常则是惊吓。

最低限度的可行观测层应追踪：

• 每次追踪的成本。 每次 Agent 运行都应向你的可观测性系统发送总成本（输入 Token × 价格 + 输出 Token × 价格，按模型层级细分）。
• 缓存命中率。 如果此指标低于基线，说明你的 Prompt 结构或请求模式发生了变化。
• 输出 Token 比率。 输出 Token / (输入 + 输出) Token。比率上升通常意味着你的 Agent 过于啰嗦——通常可以通过在系统提示词中添加“简洁”来修复（这通常能减少 15-25% 的输出 Token）。
• 每次完成的步数。 步数增加表明任务变难或 Agent 卡住了。无论哪种情况都值得调查。

像 Langfuse、Helicone 和 Portkey 这样的工具在 API 网关层面提供了每次请求的成本追踪和预算控制。对于异常检测，建议设定基于滚动基线 2σ 偏差的支出警报——如果你关注这个信号，大多数成本事故在几分钟内就能被检测到。

同一 Agent 在未优化和良好优化部署之间的成本差异可能高达 30-200 倍。这是目前大多数 AI 团�获得的 ROI 最高的工程工作。

实操优先级顺序

如果你从零开始，请按以下顺序应用这些技术，达到成本目标即可停止：

1. Prompt 缓存。 如果你的框架支持，无需更改代码。将静态内容移至前缀。立竿见影。
2. 硬性限制。 防止让其他一切都变得无关紧要的失控尾部风险。
3. 输出 Token 控制。 在系统提示词中添加“简洁回答”。监控输出 Token 比率，看着它下降。
4. 工具输出掩蔽。 为高吞吐量的工具编写后处理器。
5. 模型路由。 按复杂度分类任务并路由到相应层级。从简单的基于规则的分类器开始；如果体量证明合理，再升级为学习式路由器。
6. 上下文压缩。 为长时间运行的会话实施滚动摘要。
7. 语义缓存。 如果你的查询分布具有足够的集群效应，则添加此项。

Agentic 系统的默认成本与精心工程化后的成本之间的差距并非微不足道。这是决定一个项目能否投入生产，还是在预算审查时被砍掉的关键区别。