待验证80% 置信事实精确时间

典型的Agent框架如ReAct、AutoGPT、LangGraph采用感知-推理-行动的迭代模式，上下文随轮次累积导致后期每轮Token消耗呈线性甚至指数增长

1

来源数

80%

置信度

长期有效

时效性

2026/4/30

首次发现

来源

AI Agent Token消耗失控：15家企业的预算危机与应对策略

rss2026/4/30

涉及实体

ReActconcept AutoGPTproduct LangGraphproduct

相关事实

待验证大多数Agent框架采用完整上下文重放策略，每轮调用需将历史对话全量传入，导致Token消耗随循环轮次呈二次方级增长79% 相似待验证在Agent应用中，每一轮推理-行动-观察循环都需要将完整历史上下文重新输入模型，导致Token消耗随任务复杂度呈非线性增长78% 相似待验证ReAct强调单步推理-行动的紧密耦合，适合短链任务；AutoGPT类框架倾向先规划完整任务树再批量执行，适合长链任务78% 相似待验证Reflexion、AutoGPT、MetaGPT等框架均沿用了ReAct的推理-行动分层架构77% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/10881

API

curl https://kongchang.com/api/v1/knowledge/claims/10881

MCP

get_claim(id=10881)