一个日处理千万级对话的电商级助手，未经优化的月度费用约为 210 万美元，而经过优化后仅需 45 万美元。这 78% 的差价并非源于算法层面的突破，而是归功于缓存策略、路由机制以及一些往往被团队忽略的工程规范——直到账单砸到面前。
AI Agent 绝不仅仅是加强了版的聊天机器人。用户的单一请求会触发规划、工具筛选、执行、校验，甚至频繁的重试循环——其 Token 消耗量大约是直接交互的 5 倍。如果一个 ReAct 循环运行 10 个周期，相比单次 Pass，其 Token 消耗将高达 50 倍。在顶格模型定价下，这种数学模型很快就会变成财务负债。
本文将深入剖析 Agent 成本的来源，并介绍那些真实有效且数据详实的具体优化技术。
为何 Agent 成本有别于聊天机器人
首先必须理解输出 Token 的溢价问题。主流服务商的输出 Token 价格通常是输入 Token 的 3 到 8 倍，因为生成过程是串行的，而输入处理可以并行。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、详细的推理轨迹或长篇摘要时，你都在为每一个输出 Token 支付溢价。
上下文长度加剧了这一问题。由于注意力计算的平方级成本，处理 128K Token 的上下文成本大约是 8K 上下文的 64 倍。Agent 系统天然会堆积上下文：系统提示词、工具定义、对话历史、检索切片、工具响应。每轮对话，上下文都在增长。大多数团队在预发布阶段会察觉到这一点：原本在小规模测试中只需 0.05 美元的任务，在面对真实文档语料时，成本突然飙升至 1.50 美元。
最便宜与最昂贵的模型选项之间，现在大约相差 60 倍。例如 Gemini Flash-Lite 的每百万输入/输出 Token 价格约为 0.075/0.30 美元，而顶格推理模型则高达 15/60 美元。这种价差既是机遇，但也取决于你是否有策略地进行路由。
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共同的前缀。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 Agent 系统，这意味着关键的结构调整：将静态内容置于提示词前端。系统指令、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（即用户实际消息、当前轮次的检索上下文）置于末尾。这无关美观，而是直接决定了缓存是否生效。
实践中，Claude Code 实现了 92% 的缓存命中率，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。某客服应用将其产品目录从动态插入改为缓存前缀，在不改变输出质量的前提下，每月节省了 12,000 美元的 API 账单。
除了降低成本，缓存还减少了延迟。在长前缀启用缓存的情况下，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计算。
工程层面的开销微乎其微：缓存窗口的 TTL（生存时间）从 5 分钟（Anthropic）到约 1 小时（OpenAI）不等。对于服务频繁用户会话的 Agent，热缓存几乎总是可用。对于批处理管道，应构建作业以确保批次内的请求共享前缀。
模型路由与级联：将成本与复杂度匹配
并非每个查询都需要顶格模型。关键在于如何辨别——答案取决于三个维度：推理复杂度、质量敏感度以及上下文长度。
在典型的生产级 Agent 工作负载中，分布大致如下：
- 60% 的任务简单直接：提取、分类、格式化、模板化响应。这些在价格低于 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。
- 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。此时高端模型物有所值。
- 3% 需要顶格推理：新颖问题、高风险决策、涌现行为。
实施良好的路由系统在典型的 Agent 部署中可实现 30-60% 的成本削减，顶级实现甚至能达到 87%。
Agent 系统的实用模式是将编排与执行分离。使用昂贵模型进行规划层——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。使用廉价模型执行具体步骤：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 规划整体策略，是一种常见且有效的分工。
模型级联更进一步：每个请求均从最便宜的层级开始，根据标准（置信度、格式有效性、如果有检索来源则为事实依据）对响应打分，若分数低于阈值则升级。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，只有少部分困难请求才会触发升级。
基于置信度的路由需要一些校准。如果你自己构建，对数概率熵是开源模型可用的信号。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，用于检查首次响应是否满足质量标准）。代理的额外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的实践。
滚动摘要 是基线技术。与其传递完整的对话历史，不如每 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线性变化，而非随轮次线性增长。权衡在于无法获得早期轮次的细粒度细节——这对大多数用例可以接受，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，原始响应通常包含与当前任务无关的标头、元数据和字段。在插入上下文之前剥离这些内容，可以减少 60-80% 的工具输出 Token。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。
学习型压缩 工具如 LLMLingua，利用较小的模型压缩提示词，以识别并移除低信息量的 Token。有报告显示，客服提示词从 800 Token 压缩至 40 Token（减少 95%），且保持了可接受的准确性。问题在于：压缩本身需要 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切片，只传递那些高于余弦相似度阈值的切片。将此阈值从 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：完全消除调用
语义缓存将 LLM 的响应存储在索引中，键为输入的 Embedding。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，大约有 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，陈旧数据是一种风险。应根据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，应针对此类查询完全禁用语义缓存。
硬性限额是必选项
最便宜的优化方式是防止失控循环。一起 documented 的生产事故：一个 Agent 在一个周末向损坏的数据源发出了 847,000 次 API 调用，在账户被暂停前累积了 3,847 美元的费用。另一起案例：一个 Agent 在五分钟内调用了抓取工具 400 次，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额：
- 单任务最大迭代次数。 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暴露出来。
- 单任务最大 Token 花费。 设定为预发布环境中观察到的 P95 花费的 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。 用于捕获那些通过反复进行快速、廉价调用从而保持在 Token 预算之内的无限循环。
模糊的工具反馈是导致失控循环的最常见原因。如果一个工具能返回一个可被解释为“继续”的信号，Agent 就会继续下去。在工具输出模式中应保持明确：包含一个 is_complete 布尔值或 next_action_required 字段，而不是依赖模型去推断终止条件。
FinOps：上线前必备的监控工具
成本的可视化是闭环的关键。缺乏它，优化只是盲猜，异常则是惊吓。
最低限度的可行监控层应跟踪：
- 单次追踪成本。 每次 Agent 运行都应向可观测性系统发出其总成本（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，说明提示词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 Agent 过于啰嗦——通常可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 陷入困境。无论哪种情况都值得调查。
诸如 Langfuse、Helicone 和 Portkey 等工具在 API 网关级别提供了单次请求的成本跟踪和预算控制。对于异常检测，建议设置相对于滚动基线 2σ 偏差的支出警报——如果你关注此信号，大多数成本事故在几分钟内即可被检测到。
同一个 Agent 在未优化和良好优化的部署之间，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 ROI 的工程工作。
实操优先级排序
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。
- 硬性限额。 防止使其他一切变得无关紧要的失控尾部风险。
- 输出 Token 控制。 在系统提示词中加入“简洁回应”。监控输出 Token 比率并观察其下降。
- 工具输出掩蔽。 为高负载工具编写后处理器。
- 模型路由。 按复杂度分类任务并路由至相应层级。先从简单的基于规则的分类器开始；如果业务量证明合理，再升级为学习型路由器。
- 上下文压缩。 为长运行会话实施滚动摘要。
- 语义缓存。 如果查询分布具有足够的聚类性，则添加此项。
Agent 系统默认成本与良好工程成本之间的差距并非微不足道。这是决定一个项目能否上线，还是在预算审查时被砍掉的差别。