如果说当前用户对各类智能体产品还能达成什么共识，那么这个共识大概率只有一个：

贵。

这里的“贵”并不一定意味着模型价格高昂，而是指Agent在实际运行过程中持续产生的Token消耗。当Agent真正进入业务流程，开始承担数据处理、运营执行、财税服务等生产任务时，Token成本会随着任务规模扩大而快速累积。

任务量越大，调用次数越多；调用次数越多，Token成本越高。

对于企业和个人用户而言，Agent不仅要能够完成任务，更要能够以可控的成本持续完成任务。否则，再优秀的能力也很难支撑大规模应用。

但小九想进一步追问：

Agent的成本，真的只能随着任务量增长而不断增长吗？

一、Agent的Token为什么居高不下？

要理解Token消耗的问题，首先需要理解当前主流Agent的运行方式。

目前，大多数Agent采用的是“感知—规划—执行”的工作模式。每当接收到一个任务，系统都会重新感知环境、分析当前状态、理解任务目标、制定执行计划，并根据执行结果持续调整后续动作。

主流Agent工作模式——“感知—规划—执行”

这种架构具有很强的通用性，能够应对复杂、多变的任务场景，因此成为行业主流方案。但与此同时，它也带来了一个天然的问题：Agent会不断重复已经完成过的思考。

即便面对完全相同的任务，即便昨天刚刚执行成功过，Agent今天依然需要重新理解页面、重新分析流程、重新规划步骤，然后才能开始执行。

从结果上看，消耗的是Token；从本质上看，消耗的是重复推理。

对于开放环境中的未知任务而言，这种模式是必要的，因为系统需要依靠实时推理能力应对各种变化。但企业场景往往具有明显不同的特征。大量业务流程具有稳定的规则和重复性。例如财税申报、数据录入、系统巡检、运营管理等工作，执行逻辑相对固定，同类任务会被持续重复执行。

对于这些场景来说，企业真正需要的并不是一个每次都重新思考的Agent，而是一个能够积累经验、复用经验的Agent。

换句话说，出于对成本的考量，我们需要的不只是推理能力，更需要能力沉淀能力。

bit-Agent：从“执行一次消耗一次”到“探索一次、复用多次”

基于这一思考，九科信息在设计bit-Agent时，并没有将优化重点放在简单的上下文压缩或提示词优化上，而是从Agent的能力成长机制入手，提出了“探索+固化”的技术路线。

图源：甲子光年《2026企业级智能体白皮书》

在首次接触某项任务时，bit-Agent会进入探索阶段。

这一阶段与传统Agent类似。系统需要理解环境、分析页面结构、识别关键元素、规划执行路径，并在执行过程中不断验证操作结果。大模型负责完成推理与决策，因此会产生一定的Token消耗。

当探索成功后，系统会将已经验证有效的执行过程进行结构化沉淀，把操作路径、页面特征、业务规则以及工具调用逻辑等信息转化为可复用能力。

这一过程被称为“固化”。

固化后的能力不再依赖实时推理，而是成为系统自身的一部分。当Agent再次遇到相同或相似任务时，可以直接调用已经沉淀完成的能力模块完成执行，而无需重新经历完整的思考和规划过程。

这意味着，Agent不再是简单地完成任务，而是在完成任务的同时不断积累经验。

从成本角度来看，这种机制带来的变化尤为明显。

传统Agent的成本模型可以理解为“执行一次，消耗一次”。任务执行次数越多，Token成本越高，两者基本呈线性增长关系。而bit-Agent的成本模型则变成了“探索一次，复用多次”。

传统Agent的成本模型Vs.bit-Agent的成本模型

系统在探索阶段产生的成本，相当于学习成本；而当能力完成固化后，同类任务执行过程中对模型推理的依赖将大幅降低，部分场景甚至可以完全绕过大模型决策环节。

这意味着，同类任务执行过程中的Token消耗理论上可以降至零。

对于高频业务场景而言，这种差异会随着执行次数的增加不断放大。任务执行规模越大，能力复用带来的成本优势越明显。

从最为现实的角度出发，bit-Agent只需要付出首次探索的token成本，后续复用时消耗的只有廉价的电费，这让企业与个人用户都能够拥有专属的“免费数字员工”。

从长期运营角度来看，这不仅降低了模型调用成本，更改变了Agent的成本结构，使其具备了规模化部署的基础。

三、除了固化机制，bit-Agent还做了哪些优化？

“探索+固化”是bit-Agent降低Token消耗的核心机制，但在探索阶段以及面对全新任务时，系统仍然需要调用模型完成推理。因此，九科信息还针对Agent运行过程中的多个关键环节进行了专项优化。

首先是界面信息裁剪。

在浏览器场景下，网页往往包含大量与任务无关的信息，例如广告区域、装饰元素、重复导航以及复杂的页面结构。如果这些内容全部进入上下文，不仅增加Token消耗，也会影响模型决策效率。

bit-Agent能够对页面信息进行有效裁剪，在保证页面语义完整的前提下，过滤大量无关内容，使模型聚焦于真正与任务相关的信息，从源头降低上下文长度。

其次是动态状态注入机制。

传统Agent为了保证上下文完整性，往往会持续携带大量历史状态信息，导致上下文窗口不断膨胀。随着任务链路变长，Token消耗也会持续增加。

上下文窗口：决定模型理解范围

bit-Agent采用按需注入策略，根据当前任务阶段动态提供必要信息，避免历史状态长期占据上下文空间，在保证决策质量的同时显著降低Token开销。

针对企业场景中广泛存在的浏览器自动化需求，bit-Agent还进行了专门优化。通过对页面结构、元素识别和交互逻辑的深度处理，系统能够减少模型参与频率，让更多操作由执行层直接完成，从而进一步降低推理成本。

此外，在工具调用层面，bit-Agent也进行了大量优化工作。系统将常用工具和标准操作封装为独立能力模块，避免在每次调用时重复向模型传递工具说明和操作定义。同时，工具执行结果能够直接进入执行链路，仅在关键决策节点调用模型参与判断，有效减少了工具调用过程中的Token放大效应。

bit-Agent“能力与工具调用”模块

这些优化措施共同作用，使bit-Agent即使面对全新任务，也能够以更低的成本完成探索过程；而随着能力不断沉淀和固化，系统整体运行成本还将持续下降。

结语

随着Agent的能力边界逐渐扩大，衡量其价值的标准正在发生变化。用户开始关注系统能否在长期运行过程中保持稳定、可靠和可控的成本结构。

从这个角度来看，降低Token消耗的关键并不只是减少模型调用次数，而是减少不必要的重复推理。

当行业还在讨论如何让Agent拥有更强推理能力的时候，bit-Agent正在解决另一个更加现实的问题：如何让Agent在真实办公环境中持续学习、持续积累，并以更低的成本创造长期价值。

如果你也想拥有低成本的智能自动化办公体验，欢迎联系小九，让我们携手共进，共创数智未来！