产品应用8

调优Agent技能：三层架构省80% Token

千问AI平台2026-11-13

AI 摘要

某AI投研平台4天生成37个技能后，遭遇路由混淆与上下文爆炸。团队将其重构为三层架构，单技能上下文从约6000降至约1200 Token，意图准确率达92.5%。

架构分层：基座定合规、索引做路由、模板管分析工作流

Skill描述只写触发与不适用场景，不堆功能简介

模型分工：意图分类用25B小模型，大模型留给主推理

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

清华开源CoACT：Agent省33% token

清华开源 CoACT。在 SWE-bench 上，环境反馈写入上下文前压缩，使三个编程 Agent 的总 token 消耗平均减少 33%。

本文是一万字Jev工程实践长文，作者结合自研落地Demo，拆解Jev核心设计逻辑，讲解如何将Agent中高频封闭的判断任务从大模型生成链路拆分，解决Agent上下文膨胀痛点，分享工程实现与选型思路。

本文原创分享GPT-6 Astra的Token节省与实战使用技巧，通过实测对比不同模型搭配的配额消耗效果，给出排雷指南，还介绍了一款开源工具可将普通ChatGPT网页版爆改成全功能Codex，干货充足实用性强。

Netflix工程师Tejas Chopra开源Headroom，定位为AI Agent的上下文压缩层，压缩工具输出等内容，有可逆压缩等特性。官方数据显示节省token效果好，但微软工程师实测结果中性偏负面。