基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
编程提效2026-11-18 13:52

子智能体的小任务,为何消耗大量上下文

dev.to · AI#子智能体#上下文管理#成本优化
Editor brief · 编辑速览

文章指出,部分 AI 编程工具会向子智能体传递整段会话,使简单任务也承担大量输入 token 成本。作者以函数边界检查为例,强调任务所需上下文与实际继承上下文之间的差距。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

给 AI 编程工具分配五个小检查,结果输出没几行,输入 token 却涨了一大截。作者认为,问题可能出在子代理的交接方式:任务拆开了,整段会话却被反复传给每个执行者。

这篇文章值得读的地方,是把多代理成本拆成了「干活」和「交接」两部分。它的建议很实用:先控制每个代理需要知道什么,再讨论开多少个。不过,文中的节省比例来自示意计算,不能直接当成你的账单预测。

为什么小任务也会带上大包袱

子代理(subagent)可以承担代码库调研、测试编写、差异审查等独立任务。主代理负责拆解和协调,多个执行者并行推进,看起来很像临时组了一个团队。

但分工不等于上下文也完成了拆分。

作者举的例子是:检查一个函数能否处理空输入,真正需要的材料可能只有函数、相关调用方,以及一句检查要求,合计几百个 token。实际交接时,子代理却可能收到整个会话,包括几项任务之前打开的文件、修改过五版的计划,以及其他代理的输出。

这些材料与当前检查无关,却仍然进入输入。

如果代理继续派生代理,重复还会叠加:一个协调者启动三个研究代理,每个研究代理再启动两个助手,同一份庞大上下文就可能沿着层级继续传播。作者用「六七次读取整段会话」形容这种浪费,但没有展开逐层核算,重点是说明重复交接会放大成本。

任务拆得细,不代表每份输入也变小了。

作者说,自己是从「工作量不大,账单却偏高」发现问题的。不过,原文没有给出调用日志,也没有指明哪些工具采用这种继承方式。因此,「子代理经常携带完整会话」应当作为需要检查的工具行为,不能套到所有产品上。

二十倍差距怎么算,能照搬到费用上吗

原文给了一组明确标注为示意的数字:

交接方式 单个代理输入 代理数量 合计输入
每个代理继承完整会话 40,000 tokens 5 200,000 tokens
每个代理只接收相关材料 2,000 tokens 5 10,000 tokens

作者把工作一小时后累积到 40,000 tokens 作为例子。五项检查还没真正开始,完整继承就已经产生了 200,000 个输入 token;按任务裁剪后则是 10,000 个,相差 20 倍。

这个计算说明的是输入规模:在完整继承的前提下,交接量随「代理数量 × 会话大小」增长。检查工作没有增加,重复传入的历史却增加了。

但它不是供应商报价,也不是实测账单。作者明确承认,具体工具行为和价格会不同。原文同样没有验证,删减到 2,000 tokens 后,五个答案是否仍然完整、准确。

所以,可以拿走的是计算方法,而不是「用了简报就能省二十倍钱」的承诺。

怎样交接,才能少传又不漏事

作者给出的第一招,是在启动代理前写两三句话:做什么、怎样算完成、哪些文件有关。如果工具支持传入短提示而不继承整段会话,就使用这种方式。

这里要分清两个动作:写了一份短简报,不代表工具停止转发历史。如果底层仍然附带完整上下文,提示词变短了,交接量未必变小。

第二招是在并行前整理会话。历史已经很长时,可以新开会话,或者把计划压缩成短文档,再围绕这份材料分派工作。大白话讲,就是先把当前任务的交接材料单独整理出来。

第三招是判断是否需要代理。作者建议,一句话能交代、只涉及一个文件的任务,优先直接完成。单文件读取、快速 grep、一行检查,都可能比启动一次代理更轻。

第四招是限制并行数量。作者认为,三个拿到精简简报的代理,通常比八个携带完整会话的代理更省钱,也可能更专注。但这里没有对照实验,尤其是质量提升,只能视为经验判断。

他们并不主张彻底停用子代理。跨代码库研究、独立审查、多部分构建,仍然是文章认可的适用任务。关键在于,拆分后的工作量能否覆盖交接成本,以及并行是否确实缩短等待。

我的判断

我认同作者把成本检查点放在「交接」上。只看模型档位和回答长度,很容易忽略输入被复制了多少次。这个视角对经常让 AI 调研代码、写测试、再独立审查的开发者尤其有用。

但精简上下文也有边界。看似只检查一个函数,结论可能依赖调用约定、类型定义或项目规则。简报删得过狠,代理就可能基于不完整信息给出确定答案,随后靠补充材料和返工找回来。

因此,更合适的目标是保留任务所需的最小完整材料,而不是追求最短提示词。

与让主代理顺序处理相比,多代理多了一次分派和结果整合,换来的是并行机会。小任务直接做,大任务按依赖关系拆开,是合理的起点。但原文没有提供真实项目的耗时、费用与错误率对照,不能据此认定三个代理永远优于八个,也不能断言交接一定是账单最大项。

能拿来做什么

  • 下次让 AI 检查前端函数的空输入处理时,先提供函数、相关调用方和预期行为;如果只涉及一个文件,就让当前代理直接检查。
  • 给测试编写或代码审查代理准备两三句话的简报,写明任务、完成标准和相关文件,同时确认工具是否仍会继承完整会话。
  • 长会话准备启动多个独立任务前,先整理一份当前计划短文档,去掉已结束任务的讨论,并保留仍然有效的约束。
  • 评估多代理收益时,把同一项工作的所有代理输入合起来看,同时记录完成时间和返工情况,再决定是否扩大并行数量。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
多智能体故障排查:从上下文到工具调用
下一篇
把 AI 调研结果变成团队可复用资产

资讯速览

dev.to · AI · 2026-11-18 13:52

AI 评分 8.0 / 10

相关标签

#子智能体#上下文管理#成本优化

继续阅读

  • 编程智能体拒答后,也要交代已做的修改
  • 多智能体故障排查:从上下文到工具调用
  • 把 AI 调研结果变成团队可复用资产
  • GPT-6.2 双模型上线,Sol 编程跑分接近旗舰
  • Claude Code 五款插件实测出现成本或耗时上升