待验证50% 置信事实精确时间
在长链路、多轮迭代的自主智能体任务中，模型为自我校验、错误恢复和上下文维持会反复读写大量历史对话，导致Token消耗远超单次问答场景（Token膨胀）
1
来源数
50%
置信度
长期有效
时效性
2026/10/1
首次发现
来源
涉及实体
相关事实
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77% 相似待验证在智能体工作流中，历史交互作为输入Token累积，导致总Token消耗随任务轮次呈近似平方级增长74% 相似待验证多轮对话配置解决上下文记忆问题，决定智能体在连续对话中能保留多少轮历史信息73% 相似待验证Loop Engineering因多轮迭代、完整上下文携带和自我检查机制叠加，Token消耗量通常是普通对话的5至20倍73% 相似待验证智能体系统常通过定时任务每分钟不间断运行，加上多轮模型调用、工具调用结果重新输入及反思步骤，令令牌成本呈指数级攀升73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/964936API
curl https://kongchang.com/api/v1/knowledge/claims/964936MCP
get_claim(id=964936)