Agent 输入 Token 优化：经验与基准测试

一篇来自 dev.to 的文章聚焦 AI Agent 的输入 Token 优化，整理了有效做法与失败尝试，并提供七项检查清单和开放基准，帮助读者测量自身方案的效果。目前可见信息没有列出具体方法，也没有披露测试结果，能确认的是：文章把优化经验和效果验证放在了一起。

目前能确认什么

文章关注的是减少 Agent 的输入 Token。理解这个问题，需要先区分输入与输出：输入是模型接收的上下文，输出是模型生成的内容。对 Agent 来说，系统指令、用户需求、历史对话和工具返回内容，都可能成为输入的一部分。

多轮任务中，上下文可能持续累积。但减少输入并不只是删文字，还涉及保留哪些任务信息、如何组织工具结果，以及何时舍弃历史内容。

摘要明确提到，作者同时整理了有效做法和失败尝试，还提供七项检查清单与开放基准。不过，检查项分别是什么、基准覆盖哪些任务、如何判定优化有效，现有信息都没说清。

我的判断

输入更短，不等于任务完成得更省。

对程序员而言，真正有用的验证应同时观察输入量和任务结果。如果压缩上下文后，Agent 遗漏约束、反复调用工具，或需要更多轮纠错，单次输入的下降就不足以证明整项任务的调用开销降低。这是评估方向，并非该文已经证实的结果。

这篇文章可能有用的地方，是把失败尝试也纳入讨论。但它能否成为可复用的依据，还要看开放基准是否交代任务样本、对照条件和成功判定方式。尤其需要确认：它测量的是单次请求，还是一次完整的 Agent 任务。两者回答的问题不同，也会直接影响优化结论。