核心要点综述
2025年上半年，企业级 LLM 的投入规模已高达 84 亿美元。其中，近四成企业在语言模型上的年均预算超过了 25 万美元，且有 96% 的公司表示实际支出大幅超出了最初的预估。具体到 AI Agent（智能体）层面，其经济压力更为严峻：Agent 调用 LLM 的次数是普通聊天机器人的 3 到 10 倍；若缺乏约束，一个处理软件工程任务的 Agent，仅 API 费用一项就可能高达 5 至 8 美元。
值得欣慰的是，针对 AI Agent 的成本优化技术已趋于成熟。那些全面实施了智能模型路由、多级缓存、提示词压缩、批量推理调度以及预算治理等策略的团队，成功在不牺牲输出质量的前提下，将 Token 开支削减了 60% 至 80%。本文将深入剖析这一技术栈的各个层级，探讨其中的工程权衡，并介绍在大规模落地时维持成本纪律所需的组织实践。
生产环境中 Agent 的隐性成本
为何 Agent 成本会在规模扩张时激增
单次 Agent 对话的 Token 成本平均约为 0.14 美元，看似微不足道。但若将其放大到 3,000 名员工，每人每天触发 10 次，日成本就会达到 4,200 美元，年成本则高达 150 万美元。这就是所谓的“Token 成本陷阱”：在演示阶段看似合理的单体经济模型，一旦进入生产环境便会变得难以为继。
以下几个结构性因素加剧了这一问题：
递归式工具调用的开销。 Agent 并非每任务仅调用一次 LLM，而是需要迭代。每次工具调用的结果都会被附加到上下文中，并在下一轮完整重发。一个包含 10 个步骤的任务可能会将累积的完整上下文传输 9 次，这意味着初始 2,000 个 Token 的提示词，到任务结束时可能膨胀成数万个输出 Token。
系统提示词的反复传输。 大多数生产级 Agent 在每次调用时都会携带 2,000 到 8,000 个 Token 的系统提示词。如果不利用前缀缓存，这将构成一笔巨大的固定开销，且每次 API 调用都会为此计费。
多 Agent 场景下的 Token 泛滥。 当 Agent 之间相互通信时，一种常见的反模式是传递完整的对话历史而非摘要。管道中的推理 Agent 并不需要检索 Agent 的完整交互记录，它只需要结构化的输出。若缺乏显式的上下文约束，随着 Agent 数量的增加，多 Agent 系统的成本将呈指数级上升。
失控的循环。 2025 年 11 月，两个基于 LangChain 的 Agent 陷入了长达 11 天的无限对话循环，直到问题被发现时已产生了 47,000 美元的账单。这个极端案例说明了如果将 Token 预算视为事后补充而非设计约束，后果将不堪设想。
定价格局概览
理解不同模型层级的成本差异是制定任何优化策略的基石。截至 2026 年初：
| 层级 | 代表模型 | 价格区间 |
|---|---|---|
| 高级推理型 | GPT-4, Claude Opus | 每百万 Token $30–60 |
| 中端能力型 | GPT-4 Turbo, Claude Sonnet | 每百万 Token $10–15 |
| 轻量极速型 | GPT-3.5, Claude Haiku | 每百万 Token $0.50–2 |
| 小型专用型 | Mistral 7B, Phi-3 | 每百万 Token $0.10–0.50 |
高端模型与小型模型之间高达 100 到 300 倍的成本差距，是任何优化策略的主要切入点。工程上的挑战在于，如何精准识别出究竟有多少比例的查询真正需要使用昂贵的高端模型。
模型路由：将复杂度与能力相匹配
核心原则
模型路由——即根据复杂度信号为每个请求动态选择 LLM 的做法——在 2025 至 2026 年间已成为行业标准。OpenAI 的 GPT-4o 架构明确根据查询复杂度在快速高效模型和深度推理模型之间进行路由。更广泛的市场也紧随其后。
采用系统性路由的组织报告称，成本降低了 30% 至 70%。一个实施良好的级联系统，若能将 90% 的查询路由到廉价模型，而将昂贵层级留给真正复杂的任务，可以在基础设施支出上实现 87% 的成本削减。
路由信号
高效的路由器利用多种信号来对请求复杂度进行分类：
输入特征。 查询长度、是否存在多跳推理需求、结构化与非结构化输出预期的差异、代码生成与自然语言的区别，以及特定领域术语的存在，都与所需模型能力相关。
任务类型分类。 简单的事实查询、文档摘要和意图分类通常不需要前沿模型。而数学推理、复杂代码生成和微妙的判断调用往往需要。
历史性能数据。 对于生产系统中反复出现的任务类型，各模型层级的成功率实证数据为路由决策提供了指导。如果 A/B 测试显示 Claude Haiku 在某项任务上的正确率达到 94%，则无需动用 Claude Opus。
延迟要求。 交互式用例（用户等待响应）和后台处理管道对模型延迟的容忍度不同。批量管道可以在非高峰时段路由到更高质量的模型，从而以更低成本获得更好效果。
实现选项
模型路由的生态系统已显著成熟。LiteLLM、Portkey 和 OpenRouter 等工具均开箱即用地支持多模型路由和故障转移配置。这些网关还带来了第二个好处：提供商冗余。当 2025 年 OpenAI 发生宕机时，使用路由器的应用程序通过自动切换到 Anthropic 或 Google 保持了在线状态。
一个实用的级联架构包含三个决策点：
- 语义缓存检查 — 针对语义相似的先前请求返回缓存响应（节省 100% 成本）
- 复杂度分类 — 将简单任务路由至轻量级模型，复杂任务路由至中端模型
- 失败时升级 — 若廉价模型的输出未通过质量检查，则使用更高层级的模型重试
这种级联模式将昂贵的推理视为最后手段，而非默认选项。
多级缓存：在推理运行前拦截成本
为何缓存未被充分利用
研究表明，31% 的 LLM 查询与先前的请求存在语义相似性。如果没有缓存基础设施，这代表了三分之一的推理支出在结构上被浪费了——相同的计算因本质上相同的问题而重复执行。然而，许多生产系统即使实现了缓存，也只是将其视为事后补充。
第一层：精确响应缓存
最简单的形式是基于精确提示文本缓存完整的 LLM 响应。缓存命中可带来 100% 的成本节省和接近零的延迟。这适用于确定性工作流——批量摘要、文档分类和模板化生成任务，其中相同的输入会真实重现。
实现很简单：Redis 或类似的键值存储库保存具有可配置 TTL 的响应。挑战在于动态环境下的缓存失效，因为基础数据可能会发生变化。
第二层：语义缓存
语义缓存利用嵌入相似性将精确匹配扩展到近似匹配。当新查询的嵌入与缓存查询处于阈值范围内时，返回缓存响应或将其用作起点。
工程上的权衡在于嵌入计算成本（低廉但非零）与推理成本（昂贵）之间。对于高吞吐量的生产系统，这种权衡强烈倾向于语义缓存。GPTCache 等库将其作为 LLM API 调用前的即插即用层来实现。
第三层：前缀 / KV 缓存
前缀缓存运行于基础设施层。当连续的 API 调用共享一个共同的提示前缀（如系统提示）时，现代服务基础设施可以重用先前请求中的键值（KV）计算，而无需重新计算。
Anthropic 的前缀缓存在长提示上实现了 90% 的成本降低和 85% 的延迟减少。OpenAI 的自动缓存实现了 50% 的成本节省。当提示词被结构化，将稳定内容（系统提示、工具定义、文档上下文）置于可变内容（用户轮次、查询）之前时，该机制对应用代码透明。
一个关键的工程洞察：在 Agent 系统中，前缀缓存最高价值的用途是缓存工具模式定义。拥有 30 多个工具定义的生产 Agent 可能在每次调用时携带 8,000 到 15,000 个 Token 的工具模式，这些模式在每次调用中都是完全相同的。如果没有前缀缓存，这部分费用在每一轮都会重新计费。
第四层：KV 缓存 disaggregation
先进的生产部署使用 LMCache 和 Mooncake 等系统来实现跨 GPU、CPU 和 SSD 存储的多级 KV 缓存复用。这些系统允许为某个请求计算出的 KV 张量被具有匹配前缀的后续请求检索和重用，甚至跨越不同的服务实例。
SpeCache（2025）进一步扩展了这一概念，引入推测性 KV 缓存预取：系统预测下一个 Token 可能关注的 KV 对，并主动将其从 CPU 内存加载到 GPU，从而消除内存带宽瓶颈。
对成本敏感的部署的实际影响：组织可以在相同的 GPU 容量上运行更大的批次，将每个 Token 的成本降低 40% 至 70%。
提示词压缩：在发送前减少 Token
LLMLingua 与压缩流水线
并非所有 Token 都承载同等的语义权重。关于自然语言的研究表明，人类撰写的文本包含大量冗余——填充词、冗长的措辞以及语言模型可以从周围文本推断出的重复上下文。
LLMLingua 及类似技术使用一个小型快速的 LLM 对每个 Token 的重要性进行评分，并在将提示发送到主模型之前移除低信息量的 Token。在冗长的文档输入上，已证明了高达 20 倍的压缩率，同时保持了任务性能。
成本计算很简单：压缩器模型成本（微小）+ 压缩后的推理成本 << 未压缩的推理成本。
上下文窗口作为成本驱动因素
提示词压缩的一种不太明显的形式是对长期运行 Agent 的上下文管理。随着 Agent 在多轮对话中累积工具调用结果，如果每轮都重发完整历史记录，上下文的 Token 成本会呈平方级增长。
有效的策略包括：
迭代摘要。 当上下文接近阈值时，较早的轮次会被总结为紧凑的表示。完整的记录被归档在内存中，但不会在每次调用时重新发送给 LLM。
工具结果压缩。 Agent 工具输出通常很冗长。一个返回 500 行的数据库查询不需要将所有 500 行都发送给 LLM——Agent 应仅提取并转发相关的子集。
结构化内存交接。 在多 Agent 管道中，Agent 应传递结构化摘要，而非完整的对话历史。下游 Agent 需要的是结论和关键数据点，而不是产生这些数据的推理轨迹。
Cloudflare 的 Code Mode 架构（2026 年 2 月）展示了这一原则的极致应用：将 2,500 多个 API 端点折叠为两个工具，仅消耗约 1,000 个 Token——相比传统 MCP 服务器的 117 万个 Token大幅下降。
批量推理：将成本与延迟解耦
批量规模经济学
实时推理以牺牲吞吐效率为代价优化延迟。批量推理则反其道而行之：通过一起处理多个请求，GPU 计算和内存带宽的使用效率大大提高。在受控基准测试中，将 32 个请求批量处理可将每个 Token 的成本降低 85%，而延迟仅增加 20%。
许多 API 提供商现在提供双层定价模式：
- 实时层：低延迟（毫秒到秒），高端定价
- 批量层：较高延迟（分钟到小时），50% 或更大的折扣
对于生产 Agent 工负载，很大一部分任务确实是异步的，可以容忍批量延迟。文档处理、内容生成、数据丰富、定时分析——这些都不需要亚秒级的响应。
自托管部署中的连续批处理
运营自有推理基础设施（vLLM、TensorRT-LLM）的组织受益于连续批处理：随着当前批次中的序列完成，新请求会立即插入，而无需等待整个批次完成。结合 PagedAttention 的高效内存分配，连续批处理比静态批处理实现了高达 23 倍的改进，显著提高了 GPU 利用率并降低了每个 Token 的成本。
预算治理：FinOps 层面
从成本意识到成本控制
技术优化降低了推理的单位成本。预算治理则防止总成本无论单位效率如何都会无限增长。
组织现实是：96% 的企业报告 AI 成本超出初始预测，只有 44% 的企业建立了财务护栏。实施预算治理既需要工具也需要组织的承诺。
硬性限制与熔断机制
生产 Agent 应在框架或网关层面强制执行硬性 Token 预算限制。实用的控制措施包括：
- 每个任务的最大迭代次数。 一个进行了 50 次工具调用仍未完成任务的 Agent 几乎肯定陷入了循环，而不是在进行 thorough 的探索。
- 每个 Trace 的 Token 预算。 每个任务执行都有定义的 Token 预算。如果预算耗尽，Agent 返回部分结果而不是继续计费。
- 多阈值成本警报。 在预测月度支出的 50%、80% 和 100% 处发出警报，并采取升级响应：监控、审查、停止。
- 按用户和按功能的配额。 按用户群体和功能领域细分支出，使成本异常在复合之前可见。