待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/7/7
首次发现
来源
Claude Sonnet 5发布：最强Agent能力的中端AI模型
twitterclaudeai2026/6/30
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80% 相似待验证典型的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78% 相似待验证当Agent处于循环状态时，每次调用会携带累积的对话历史，导致Token消耗随迭代次数线性甚至超线性增长77% 相似待验证Agent 的每一轮循环都需将完整历史上下文传入 LLM，导致 token 消耗随任务复杂度呈线性乃至指数增长75% 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token75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/129566API
curl https://kongchang.com/api/v1/knowledge/claims/129566MCP
get_claim(id=129566)