待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/19
首次发现
有效期至：2026/10/17
来源
相关事实
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82% 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79% 相似待验证在 Loop 场景中，每轮循环需要将整个对话历史重新送入模型，导致单轮 Token 消耗因 Context 累积而递增，呈现比线性更陡峭的成本曲线76% 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/563179API
curl https://kongchang.com/api/v1/knowledge/claims/563179MCP
get_claim(id=563179)