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
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% 相似待验证ReAct的推理链会持续消耗上下文token，一个执行20步操作的Agent其历史推理链可能消耗数万token76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/10881API
curl https://kongchang.com/api/v1/knowledge/claims/10881MCP
get_claim(id=10881)