Token 降本增效 · 7 / 13 输入主导：62:1 的 I/O Ratio 普通 Chatbot 是一问一答；Agent 是「思考 → 行动 → 观察 → 再思考」的循环。关键认知：每一轮的 Input 都包含了全部历史信息——轮次越多，Input 越长，成本累积膨胀。 ReAct 循环 输入主导 I/O Ratio 累积膨胀 一句话速览 Agent 每一轮都要重读全部历史。逐轮点开一个 Excel 任务，看 Input 怎么滚到 31,460 Token Chatbot vs Agent：计费结构完全不同 普通 Chatbot 问「讲个笑话」（10 Token），答 150 Token—— I/O Ratio ≈ 1:15，输出主导 。而 Agent 做一个代码修复任务：System Prompt、工具返回、历史输出，全都要在每一轮里重新读一遍。三轮下来，总 Input 16,790、总 Output 270—— I/O Ratio 62:1，输入主导 。

为了得到 270 个字的结果，你付了 16,790 个字的「阅读费」 。这就是 Agent 的输入主导特性。

Chatbot 单轮交互结束；Agent 的每一轮入口都带着全部历史，Input 累计膨胀。（图：作者分享原稿）

代码修复任务的三轮拆解：总 Input 16,790，总 Output 270，I/O Ratio 62:1。（图：作者分享原稿）

交互演示 · 一个「简单」任务的真实账单 任务：「帮我分析这个 Excel 表格，找出销售额最高的产品，然后生成一个图表。」点「下一轮」，看每一轮的累计 Input 怎么滚起来。

Excel 分析任务 · 5 轮执行 开始执行 ▶

五轮累计 Input 31,460、Output 450，合计约 0.014–0.026 元。注意：这只是一次成功的执行，隐形成本还有失败重试、调试、迭代。（图：作者分享原稿）

膨胀的数学：为什么是平方级 假设任务要 N 轮完成，System Prompt 长度 S，每轮新增（输出 + 工具返回）约 Δ。第 N 轮的 Input ≈ S + Q + Δ×(N-1)，而 总 Input 是所有轮次的累加 ——里面藏着一个 1+2+3+…+(N-1) 的等差数列。每轮新增 500 Token 的话，5 轮循环的总 Input 就有 15,000+；轮次翻倍，成本接近翻两番。

Agent 框架（SWE-bench 实测） 平均 I/O Ratio 说明 简单 RAG Agent 10:1 ~ 20:1 检索 + 回答 OpenHands 20:1 ~ 50:1 代码修复任务 AutoGPT 类 30:1 ~ 100:1 开放式任务，循环多

这解释了为什么 KV Cache（第 11 节）对 Agent 是决定性的 ：既然每轮都要重读同样的前缀，能不能命中缓存，就是 5 倍的价差。也解释了为什么要监控 I/O Ratio—— 比率超过 50:1，往往说明 Agent 在「空转」 ，该优化流程或降级任务了。

本节要点

✓ Agent 是输入主导的： 每轮 Input 都带全部历史，总量按轮次的平方级膨胀。 ✓ 单次执行看着便宜，规模化才见真章： 0.02 元的任务 × 失败重试 × 百万调用，就是账单窒息现场。 ✓ 把 I/O Ratio 当健康指标监控： >50:1 说明 Agent 在空转，先查流程再谈省钱。

内容来源： 整理自作者团队内部分享《AI Token 降本增效策略分享》「Agentic 应用的计费机制」。行业数据参考 SWE-bench 上的 Agent Token 消耗实证研究（见收官节阅读材料）。Agent 循环的原理详见 动手实战篇 。