待验证50% 置信事实精确时间
长时程智能体高token消耗的核心机制是重复上下文处理（repeated context processing），每次调用工具后需将完整历史上下文重新送入模型
1
来源数
50%
置信度
长期有效
时效性
2026/10/6
首次发现
来源
涉及实体
相关事实
待验证传统ReAct框架要求模型在每次工具调用后将结果写回上下文再重新读取整个对话历史决定下一步，导致Token消耗和延迟累积78% 相似待验证智能体在每轮循环中需要将系统提示词、历史对话、工具描述、先前步骤的全部输出重新打包送入模型，导致token消耗随步骤数线性甚至超线性增长76% 相似已验证自注意力机制使模型能够同时处理长距离文本依赖关系，突破了循环神经网络（RNN）的序列处理瓶颈71% 相似待验证Agent系统由于循环推理特性，每次工具调用后会将完整对话历史重新发送给模型，导致Token消耗呈现超线性增长70% 相似已验证大模型生成输出采用自回归方式逐个token生成，每生成一个token都需重新计算对所有前文的注意力70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/979788API
curl https://kongchang.com/api/v1/knowledge/claims/979788MCP
get_claim(id=979788)