靠这10个优化点,我们把Multi-Agent工作流成本降了50%以上
作者团队用 AI Agent 驱动前后端全流程开发(1个TL+6个子Agent),token成本高昂。通过AgentLens度量发现系统提示词、工具返回信息、历史消息是消耗大头。围绕'只看当前需要的上下文、减少无关上下文、减少重复上下文'三原则,实施了渐进式披露、CLI替代MCP、MCP子Agent化、长期记忆索引加载、多Agent拆分、工具白名单等10项优化,全流程降本50%~65%。
作者团队用 AI Agent 驱动前后端全流程开发(1个TL+6个子Agent),token成本高昂。通过AgentLens度量发现系统提示词、工具返回信息、历史消息是消耗大头。围绕'只看当前需要的上下文、减少无关上下文、减少重复上下文'三原则,实施了渐进式披露、CLI替代MCP、MCP子Agent化、长期记忆索引加载、多Agent拆分、工具白名单等10项优化,全流程降本50%~65%。
腾讯团队实战分享,含具体数据、量化收益和可复用的优化方法论,结构清晰、时效性强,但部分通用优化思路已在社区有讨论。
本文深入探讨了如何高效使用 Claude Code 的 Session 以最大化 token 价值。作者通过官方文章和实例,分析了 token 成本构成(模型、输入输出、缓存),并提供了实用技巧:使用 /clear 隔离任务、用 @-mention 直接引用文件、控制命令输出、合理使用 /compact 和 Subagent,以及避免中途切换模型或 effort 破坏缓存。文章强调让每个 token 都发挥作用,通过优化上下文管理来降低成本和提升效率。
文章指出当前编码 Agent 在简单决策(如选择加载哪些笔记、任务路由、工具失败处理、测试优先级)上滥用昂贵的前沿大模型,造成成本浪费。作者提出三层架构:Opus 5.5 负责规划、写代码、调试等开放性推理;Jev(TypeSafe 出品,毫秒级响应、输入 $0.042/百万 token、输出免费)负责从固定选项中做小决策并返回概率;Harness 层构建选项、校验概率阈值并在低置信度时回退到 Opus。文章给出四个具体决策点及代码实现:按标题分块并用 Jev 并行评分筛选相关笔记(将 30k token 降至 6k)、任务路由、工具失败处理、测试优先级选择。实测一个功能开发会话成本从 $6.42 降至 $2.00,降低 69%,且架构可作为函数调用插入现有 Agent 循环,无需重写。
文章介绍了开源工具 REA(Reverse Engineer Anything),它作为 MCP 服务器连接 Claude Code、Codex、Cursor 等编程 Agent,整合二进制分析、字符串提取、函数定位、调用追踪等现有逆向工具,让 AI 基于「证据」而非猜测来理解应用。文章对比了让 AI 凭经验猜测与基于真实文件分析的差异,给出完整安装配置和 10 步方法论:选择单一功能、编写强制证据的提示词、区分事实与假设、先写行为规范再实现代码等,强调这是理解与重建软件的可靠路径,而非简单复制。
文章系统解释了 AI 领域中 harness(套件/执行框架)的概念。作者指出 LLM 默认只能生成文本,要真正执行操作需要工具、调用语法、解析系统、结果回传和工具清单,这一切组成了 harness。文中区分了界面(如 Claude Code 的 TUI/GUI)与底层 harness(如 Anthropic Agent SDK、Codex App Server),并用厨房比喻说明 harness 与工具的关系。文章还解释了 MCP 的作用——类似'食谱',让代码可以在外部运行,以及 agent 的定义:LLM 与 harness 的结合体。
作者对比斯坦福CS146S课程2025与2026两版课纲,指出新版砍掉了85%旧内容,反映编程领域AI化进展迅猛。课程转向Agent Skills、CLAUDE.md、MCP、模型路由、后台并行agent和软件工厂等内容,期末项目占比降至50%,新增30%分数来自向真实开源项目提PR。Claude Code之父Boris Cherny等业界嘉宾分享,其同时运行数千个Claude agent。课程材料公开,非斯坦福学生也可跟学,作者认为编程教育应紧跟AI Agent时代变革。
作者分享了一个长期痛点:与 AI 多轮讨论敲定的项目方案往往锁在某台电脑的聊天窗口里,换设备或同事接手时需重新投喂上下文。作者接入 EverOS Cloud(GitHub 1.3w 星开源 Agent 记忆系统 EverOS 的云端托管版),将公司电脑和家里电脑的 Codex 挂到同一云端记忆空间。AI 讨论过程中的方案与约束自动沉淀为云端记忆,跨设备、跨团队无缝续接工作,无需手动整理 Markdown。网页端 Memory Bank 可查看阶段摘要和事实卡片,支持记忆的增删改。该方案也适合团队协作,共享记忆成为项目知识资产,降低人员交接风险。
文章剖析了用 Opus 5.5 通过 Claude Code 制作 Unity 游戏的完整路线。作者先解读两个爆款案例(霓虹赛博朋克射击游戏和 36 小时 MMO),指出'一句话出游戏'并不真实,关键是充分的准备工作和人在回路。然后对比三种接法:Unity 官方 Claude Code 插件、Unity MCP、社区工具 AI Game Developer,并给出官方路线的 6 步接通教程。文章强调安全措施如频繁提交、保留审批、隔离 Blender MCP,总结了写需求的 6+2 个习惯,最后以 6 个关卡的小游戏开发路线(灰盒、规则、敌人、种子刷新、美术资源、测试打包)展示完整流程,并讨论成本与多 agent 并行注意事项。
本文是一篇面向零代码基础读者的教程,介绍如何用立创实战派 ESP32-S3 开发板和 Claude Code/Codex 等 AI 编程工具,制作一个桌面 AI 语音聊天助手。作者借助开源项目小智 AI 实现语音识别与合成,通过分步提示词让 AI 自动完成固件备份、下载和烧录,再用手机配网并绑定 xiaozhi.me 后台,即可实现'你好 Claude'唤醒的聊天机器人。进阶部分还讲解了用 MCP 调用电脑工具、自定义唤醒词和像素形象的方法,并附有常见问题排查和恢复出厂固件的方案。
文章探讨了开发者对 AGENTS.md 和 CLAUDE.md 等 AI 编程工具说明文件的普遍误解。作者指出,很多团队把所有希望 AI 做到的事都写进一个不断膨胀的文件,导致维护规则本身成了负担,本末倒置。正确的做法是让 AGENTS.md 保持精简(作者根文件不到 50 行),只写每次开工都需要知道的少数核心事项,再指向不同任务对应的规则文件,让 Agent 按需读取。作者引用西蒙'存储信息'与'需要时获取信息'的区分,并提醒只有在流程确实需要反复执行时才值得做成 Skill,不必急于按需调用。
本文通过阅读 DeepSeek Harness (DSH) 0.1.7-alpha.1 源码,对比其与 ZCode 执行框架的设计差异。DSH 采用只追加的流水账机制保证可审计性,对缓存前缀极致优化以降低成本,通过三层递进方式管理上下文防止信息丢失,并内置防重复调用守卫、程序化工具调用(PTC)和超时转后台等机制。作者指出这些优势主要体现在长会话、大输出和批量工具调用场景,Token 消耗可差一个数量级;但普通短任务成败仍主要由模型智力决定,两者差距接近于零。
本文深度拆解 Lauren 的 pstack 第二篇,探讨如何让 AI Coding Agent 在写代码前正确理解问题。文章介绍了 /how、/why、/teach、/recall 等上下文工具的用法,强调用代码而非文档来规划:先写使用教程倒推架构,通过低成本原型比较不同方案,用 /architect 让多模型并行设计并交叉评审,以及在多阶段计划中要求每一步都以可复查的证据结束。作者认为,Agent 可能比人更快更强,但最终是否接受方案仍需人来判断,验证应从开发前就开始参与决策。
文章解析了 Codex 内部的四角色模型调用链(主模型、子 Agent、Review 模型、Compact),指出默认所有角色都用最贵模型导致成本过高。作者提出分级配置方案:主模型保留顶配负责规划决策,Review 和子 Agent 换用轻量平价模型,只需修改 config.toml 和 worker.toml 两个配置文件即可永久生效。文章还给出国产火山方舟的配置示例及其他省钱思路(Terra Max、Spark 高速模型等),强调好模型想清楚、便宜模型干活的分工思维可推广至未来 Multi-Agent 系统。