📌 一句话摘要 这篇文章汇集了鹅厂员工在使用 AI Agent 时遭遇的各种 Token 消耗陷阱，并分享了避免策略，为 AI 编程实践者提供实用参考。 📝 详细摘要 本文是一个话题征集合集，由腾讯多个岗位的员工（技术产品、系统开发、测试、运营等）分享使用 AI Agent / 大模型时遇到的 Token 意外高消耗案例。典型场景包括：喂入整个项目目录、让 Agent 顺带检查其他问题、长对话上下文膨胀后继续执行、同时挂载过多 MCP 工具、失败后放任重试等。每位分享者都给出了自己的改进做法，如发现跑偏立即中断、开新会话、限制工具数量、固定流程用脚本替代 Agent 等。文章以轻松的口吻呈
📌 一句话摘要
这篇文章汇集了鹅厂员工在使用 AI Agent 时遭遇的各种 Token 消耗陷阱，并分享了避免策略，为 AI 编程实践者提供实用参考。
📝 详细摘要
本文是一个话题征集合集，由腾讯多个岗位的员工（技术产品、系统开发、测试、运营等）分享使用 AI Agent / 大模型时遇到的 Token 意外高消耗案例。典型场景包括：喂入整个项目目录、让 Agent 顺带检查其他问题、长对话上下文膨胀后继续执行、同时挂载过多 MCP 工具、失败后放任重试等。每位分享者都给出了自己的改进做法，如发现跑偏立即中断、开新会话、限制工具数量、固定流程用脚本替代 Agent 等。文章以轻松的口吻呈现痛点，兼具真实感与实用价值。
💡 主要观点
-
过度喂入上下文是最大 Token 刺客。
工程师常将整个项目或大文件喂给 AI，导致解析大量无关内容产生高额 Token 消耗。应精确提供与任务直接相关的上下文。
Agent 失控和多次重试显著增加成本。
Agent 跑偏后盲目等待修正或放任重试，每次重试携带完整失败记录，成本逐轮暴涨。及时中断是保护 Token 的关键。
工具和 MCP 挂载过多导致固定消耗。
每轮对话仅工具 schema 就消耗 3-5k Token。只挂当前任务必需的工具，可大幅削减固定开销。
长任务应拆段执行，及时开新会话。
上下文随轮次增长导致后续每轮成本是前期的十几倍。每段完成后开新会话，不携带历史，可有效控制 Token。
固定流程用脚本而非 Agent 更经济。
对于重复性批量任务（如商户分类），用脚本处理比逐条交 Agent 便宜得多，Agent 更适合需要判断的非标任务。
💬 文章金句
- 发现不对劲立马掐掉，比月底看面板的时候心疼强。
- AI 没有成本感知，它会一直试，每次重试还带着完整的失败记录，越试越贵。
- Token 刺客不是'大任务'，反而是一些看起来很小的改动。
📊 文章信息
AI 初评：80
来源：腾讯技术工程
作者：腾讯技术工程
分类：人工智能
语言：中文
阅读时间：9 分钟
字数：2025
标签：
AI Agent, Token 消耗, AI 编程, 上下文工程, 开发效率
阅读完整文章