一个达到 Shopify 规模的商户助手，每天需处理 1000 万次对话。若不做任何优化，每月成本将高达 210 万美元；而经过优化后，这一数字可压低至 45 万美元。这 78% 的成本差额并非源于算法层面的突破，而是得益于缓存、路由策略以及几项工程纪律——这些都是大多数团队在收到账单前容易忽略的细节。
AI Agent 绝不仅仅是多绕了几步的聊天机器人。单一的用户请求会触发规划、工具筛选、执行、验证，往往还包含重试循环——其消耗的 Token 大约是直接对话交互的 5 倍。如果一个 ReAct 循环运行 10 个周期，相比单次 Pass，其 Token 消耗量将高达 50 倍。在顶配模型的定价体系下，这笔账很快就会变成沉重的负债。
本文将深入剖析 Agent 成本的来源机制，并介绍那些真正能起到效果的具体技术手段——附带数据支撑。
为何 Agent 成本有别于聊天机器人
首先要消化的是“输出 Token 溢价”的概念。在主流供应商中，输出 Token 的定价通常是输入 Token 的 3 到 8 倍，因为生成过程是串行的，而输入处理则是并行的。对于侧重推理的模型，这一比例甚至能达到 8:1。当你的 Agent 产生冗长的工具调用响应、详细的推理轨迹或长篇总结时，你需要为每一个输出的 Token 支付溢价。
上下文长度进一步加剧了这一问题。受注意力机制计算平方级复杂度的影响，处理 128K Token 的上下文成本大约是 8K 上下文的 64 倍。Agentic 系统天然会累积上下文：系统提示词、工具定义、对话历史、检索到的数据块、工具响应等。每一轮对话，上下文都在增长。大多数团队在预演阶段会意识到这一点：原本在简短测试中仅需 0.05 美元的任务，面对真实文档库时成本突然飙升至 1.50 美元。
目前，最便宜与最昂贵模型之间的价差约为 60 倍。以 Gemini Flash-Lite 为例，其价格约为每百万输入/输出 Token 0.075/0.30 美元，而顶配推理模型则高达 15/60 美元。这种价差是一个机会——但前提是你必须进行有意识的路由。
提示词缓存：唾手可得的收益
提示词缓存的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具有相同的前缀。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 系统而言，其启示意义在于：精心构建你的 Prompt，将静态内容置于首位。系统提示、工具定义、少样本示例、政策文档——所有这些都应构成稳定的前缀。动态内容（即实际的用户消息、当前轮次检索到的上下文）则放在末尾。这不仅仅是排版问题，它直接决定了缓存是否能命中。
Claude Code 在实践中实现了 92% 的缓存命中率，从而降低了 81% 的处理成本。固定的 10,000 Token 系统提示在首次请求之后几乎不再产生费用。某客户支持应用将其产品目录从动态插入改为缓存前缀后，在未改变输出质量的情况下，API 账单每月减少了 12,000 美元。
除了降低成本，缓存还能削减延迟。在长前缀上启用缓存后，平均响应延迟从 800 毫秒降至 350 毫秒，因为模型跳过了对稳定部分注意力矩阵的重新计算。
工程层面的开销微乎其微：缓存窗口的 TTL（生存时间）范围从 5 分钟到约 1 小时不等。对于服务重复用户会话的 Agent，热缓存几乎总是可用的。对于批处理管道，应构建任务以使批次内的请求共享前缀。
模型路由与级联：让成本与复杂度匹配
并非每个查询都需要顶配模型。关键在于如何判断哪些需要——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。
在典型的生产环境 Agentic 工作负载中，分布大致如下：
- 60% 的任务是直截了当的：提取、分类、格式化、模板化响应。这些在每百万次调用 1 美元以下的模型上运行即可。
- 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：模糊的指令、长周期的规划、跨异构源的综合。高端模型在这里物有所值。
- 3% 需要顶配推理：新颖的问题、高风险决策、涌现行为。
实施良好的路由系统在典型的 Agentic 部署中能实现 30-60% 的成本削减，顶级实现甚至能达到 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——它读取的只是相对简短的任务描述并做出路由决策，因此其 Token 消耗是可控的。在执行步骤中使用廉价模型：总结、提取、格式转换、检索排序。由 Claude Haiku 执行工具调用，而 Sonnet 或 Opus 规划整体策略，这是一种常见且有效的拆分方式。
模型级联则更进一步：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、若有检索源则为事实依据）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就完成了，只有少数难题才会触发升级。
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（通常是一个较小、快速的模型，用于检查第一个响应是否达到你的质量标准）。代理增加的成本通常仅占路由节省费用的不到 5%。
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至任务所需的最低限度。
滚动总结 是基线技术。与其传递完整的对话历史，不如每 N 轮（通常是 5-10 轮）总结一次。总结内容向前传递；完整记录则被归档。这使得上下文增长随总结频率呈线性关系，而不是随轮次数线性增长。其代价是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 则不可接受。
工具输出屏蔽 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。在将其插入上下文之前剥离这些内容，可以将工具输出的 Token 减少 60-80%。为每种工具类型编写后处理器，仅提取模型实际需要的字段。
习得式压缩 工具如 LLMLingua，使用较小的模型来压缩提示词，通过识别并移除低信息量的 Token。据报道，客户服务提示词从 800 Token 减少到 40 Token（减少了 95%），同时保持了可接受的准确性。陷阱在于：压缩本身也需要 LLM 调用，增加了延迟和 Token 成本。只有当压缩后的提示词在多个请求中复用，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 很简单：不要传递所有检索到的数据块，只传递那些超过余弦相似度阈值的块。将此阈值从 0.7 提高到 0.8，通常能将检索到的 Token 减少 40-60%，同时还减少了噪声，否则这些噪声会稀释模型的注意力。
语义缓存：彻底消除调用
语义缓存将 LLM 的响应存储在由输入的 Embedding 索引的数据库中。当新查询到达时，将其 Embedding 与缓存的查询进行比较——如果相似度超过阈值，则直接返回缓存的响应，无需调用 API。
在典型的生产工作负载中，约有 31% 的 LLM 查询具有足够高的语义相似度，可从中受益。缓存命中在毫秒级返回，而非秒级，且 API 费用完全为零。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。
其代价是对新鲜度的敏感性。对于答案频繁变化的应用，陈旧数据是一种风险。根据你的内容领域变化速度配置 TTL。对于静态知识库，激进的 TTL 是合适的。对于实时数据查询，则完全禁用这些查询类型的语义缓存。
硬性限制是必选项
最便宜的优化方式是防止失控循环。一份记录在案的生产事故：一个 Agent 在一个周末对着损坏的数据源进行了 847,000 次 API 调用，累积了 3,847 美元的费用，直到账户被暂停才停止。另一个例子：一个 Agent 在五分钟内调用了抓取工具 400 次，因为工具返回“可能有更多结果”——Agent 将其解读为继续获取的邀请。
每个 Agent 在部署前都需要设置三个硬性限制：
- 每个任务的最大迭代次数。 将其设置为预期平均值的 2-3 倍。大多数 Agent 框架都将其作为一等配置暴露出来。
- 每个任务的最大 Token 支出。 设置为预演阶段观察到的 P95 支出的 3 倍。将其实现为中间件，在每次模型调用前检查累积成本。
- 最大墙钟时间。 用于捕捉那些通过反复进行快速、廉价调用来保持在 Token 预算以下的无限循环。
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释为“继续”的信号，Agent 就会一直继续。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。
FinOps：上线前必须具备的监控手段
成本的可视化是闭环的关键。没有它，优化只是盲猜，异常则是惊吓。
最小可行的监控层应追踪：
- 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其总成本（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中添加“简洁回应”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者 Agent 陷入了困境。无论哪种情况都值得调查。
Langfuse、Helicone 和 Portkey 等工具在 API 网关级别提供每次请求的成本追踪和预算控制。对于异常检测，建议将支出警报设置为相对于滚动基线的 2σ 偏差——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。
同一个 Agent 在未优化与优化良好的部署之间，成本差异可能高达 30-200 倍。这是目前大多数 AI 团队能获得的最高回报率的工程工作。
实际操作的优先级顺序
如果你从零开始，请按以下顺序应用这些技术，一旦达到成本目标即可停止：
- 提示词缓存。 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。
- 硬性限制。 防止失控事故这一尾部风险，否则其他一切努力都变得无关紧要。
- 输出 Token 控制。 在系统提示中添加“简洁回应”。监控输出 Token 比率，看着它下降。
- 工具输出屏蔽。 为你最高频使用的工具编写后处理器。
- 模型路由。 按复杂度对任务分类，并路由到适当的层级。从简单的基于规则的分类器开始；如果体量证明合理，再升级为习得式路由器。
- 上下文压缩。 为长时间运行的会话实施滚动总结。
- 语义缓存。 如果你的查询分布有足够的聚类，则添加此功能。
Agentic 系统默认成本与经过良好工程化后的成本之间的差距并非微不足道。这正是项目能否上线，以及在预算审查时是存活还是被砍掉的区别。