greenai.guide

Strona główna › Artykuły › Agentowa AI i marnowanie tokenów

Artykuł

Agentowa AI i marnowanie tokenów

Aktualizacja · Czas czytania: 4 min

W skrócie

Agenci AI wykonują zadania w wielu krokach, raz po raz wywołując modele i narzędzia, więc jedno zlecenie może zużyć wielokrotnie więcej tokenów niż czat. Systemy wieloagentowe mnożą to zużycie, a gdy agenci wpadają w pętle albo nie rozumieją się nawzajem, tokeny idą na marne. Budżety, limity kroków, wykrywanie pętli i modele dobrane do zadania sprawiają, że agenci pozostają użyteczni i nie spalają energii na próżno.

Najważniejsze punkty

  • Agent wykonuje wiele wywołań modelu na jedno zadanie, więc jego zużycie tokenów, a zatem i energii, może być wielokrotnie większe niż w pojedynczym czacie.
  • Systemy wieloagentowe ponownie mnożą zużycie tokenów, co opłaca się tylko przy zadaniach na tyle cennych i złożonych, że tego wymagają.
  • Agenci mogą utknąć w pętlach lub powtarzać pracę, zużywając tokeny bez żadnych postępów.
  • Twarde limity kroków, tokenów, czasu i wydatków oraz monitoring, który może zatrzymać zablokowany przebieg, to podstawowe zabezpieczenia.
  • Dobór skali oznacza sięgnięcie po jednego agenta, mały model albo rezygnację z agenta, gdy zadanie na to pozwala.

Agenci sztucznej inteligencji (AI) to systemy, które dążą do celu w kilku krokach i same wybierają, jakie narzędzia wywołać i co zrobić dalej. Potrafią rezerwować, wyszukiwać, pisać kod, testować go i próbować ponownie. Ta autonomia jest przydatna, ale każdy krok to kolejne wywołanie modelu, a koszty narastają w sposób, jakiego nie zna pojedynczy czat.

Co sprawia, że agenci są kosztowni?

Agent wywołuje model wiele razy na jedno zadanie, a każde wywołanie zwykle zawiera rosnącą historię dotychczasowej pracy. Zużycie tokenów, a więc i energii, rośnie z każdym krokiem, wywołaniem narzędzia i ponowną próbą.

Token to fragment tekstu, mniej więcej część słowa, który model odczytuje lub zapisuje. Przetworzenie każdego tokenu kosztuje obliczenia. W czacie jedno pytanie daje jedną odpowiedź. U agenta jedno zlecenie może uruchomić dziesiątki wywołań modelu: planowanie, wyszukiwanie, czytanie wyników, pisanie, sprawdzanie i poprawianie.

Anthropic opisał to w 2025 roku w relacji z budowy swojego wieloagentowego systemu badawczego. Według firmy agenci zużywali zwykle około czterech razy więcej tokenów niż interakcje w czacie, a systemy wieloagentowe około piętnastu razy więcej. Firma ustaliła też, że w jej teście porównawczym przeglądania sieci samo zużycie tokenów wyjaśniało 80% zmienności wyników: systemy radziły sobie lepiej głównie dlatego, że więcej zużywały.

Przy trudnym, cennym zadaniu to uczciwa wymiana. Przy prostym to marnotrawstwo.

Czy istnieją dane o zużyciu energii przez agentów?

Wczesne badania wskazują ten sam kierunek. Kim, Shin, Chung i Rhu (2025) porównali agentowe, wieloetapowe przepływy pracy z jednoetapową inferencją (wnioskowaniem) z punktu widzenia infrastruktury centrów danych. Ustalili, że agenci zużywali znacznie więcej energii, że zyski w trafności malały wraz z kolejnymi nakładami obliczeń i że koszty infrastruktury przy takim skalowaniu agentów mogą stać się nie do utrzymania.

Zmierzonych danych z rzeczywistych wdrożeń wciąż jest mało, bo dostawcy rzadko je publikują. Więcej w tekście pomiar jest wąskim gardłem.

Jak agenci marnują tokeny?

Wykonując pracę, która nie posuwa zadania naprzód. Typowe wzorce to:

  • Pętle. Agent powtarza to samo działanie albo dwóch agentów bez końca przerzuca problem między sobą.
  • Nadmierne sprawdzanie. Każdy krok jest weryfikowany kolejnym wywołaniem modelu, nawet tam, gdzie wystarczyłby prosty test.
  • Rozdęty kontekst. Całe dokumenty, logi lub wyniki narzędzi są przenoszone przez każdy następny krok.
  • Lawiny ponowień. Błąd wywołuje serię ponownych prób, czasem na coraz większych modelach.
  • Nadmierne delegowanie. Zadanie jest dzielone między wielu agentów, choć wystarczyłby jeden.

Cemri i współpracownicy (2025) przeanalizowali ponad 1 600 opisanych zapisów przebiegów z siedmiu frameworków wieloagentowych i wyróżnili 14 odrębnych sposobów, w jakie te systemy zawodzą, pogrupowanych w trzy kategorie: problemy ze specyfikacją systemu i zadania, rozbieżności między agentami oraz braki w weryfikacji zadania. Każdy z tych trybów awarii to zarazem sposób na zużycie tokenów bez uzyskania wyniku.

Ten sam problem omawiał brytyjski sandpit (intensywne warsztaty badawcze, na których naukowcy i przemysł wspólnie wypracowują pomysły na projekty) poświęcony zielonej AI w 2026 roku, z udziałem matematyków, informatyków i przedstawicieli przemysłu: roje agentów mogą same się uwięzić, wysyłając sobie nawzajem bezsensowne treści i spalając setki tysięcy tokenów. Otwarte pytanie badawcze, które tam padło, brzmi: jak wcześnie i matematycznie wykryć, że grupa agentów utknęła, aby ktoś lub coś mogło ją zatrzymać.

Czy ma to znaczenie nie tylko dla środowiska, lecz także dla biznesu?

Tak; koszty i energia rosną razem. Gartner przewidział w czerwcu 2025 roku, że ponad 40% projektów agentowej AI zostanie anulowanych do końca 2027 roku z powodu rosnących kosztów, niejasnej wartości biznesowej lub niewystarczającej kontroli ryzyka. Marnowanie tokenów bezpośrednio przyczynia się do pierwszego z tych powodów.

Jakie zabezpieczenia trzymają agentów w ryzach?

Twarde limity, monitoring i możliwość zatrzymania. To podstawowe mechanizmy kontroli inżynierskiej, a większość frameworków agentowych obsługuje przynajmniej część z nich.

Zabezpieczenie Co robi
Limit kroków Ogranicza liczbę wywołań modelu w jednym przebiegu. Na przykład OpenAI Agents SDK ma ustawienie max_turns, które zatrzymuje przebieg po jego przekroczeniu.
Budżet tokenów lub wydatków Zatrzymuje przebieg lub przekazuje go wyżej, gdy przekroczy ustalony koszt.
Limit czasu Kończy przebiegi, które trwają znacznie dłużej, niż oczekiwano.
Wykrywanie pętli Sygnalizuje powtarzane działania lub niemal identyczne wiadomości między agentami.
Zewnętrzny obserwator Osobny, tani proces lub człowiek, który śledzi postępy i może zatrzymać przebieg: „czerwony przycisk”.
Przycinanie kontekstu Streszcza lub usuwa starą historię, aby każde wywołanie odczytywało mniej tokenów.

Limity powinny zawodzić bezpiecznie: gdy budżet się wyczerpie, agent powinien się zatrzymać i zgłosić to, co ma, a nie po cichu ponawiać próby.

Co oznacza dobór skali agenta?

Użycie najprostszego systemu, który wykona zadanie. Przed zbudowaniem systemu wieloagentowego warto przejść tę listę od góry:

  1. Bez agenta. Czy wystarczy stały skrypt, wyszukiwanie lub pojedyncze wywołanie modelu?
  2. Jedno wywołanie z narzędziami. Pojedyncze, dobrze sformułowane wywołanie modelu z dostępem do narzędzia często wystarcza.
  3. Jeden agent. Pojedynczy agent z limitem kroków.
  4. Wielu agentów – tylko przy zadaniach szerokich, cennych i rzeczywiście równoległych.

W każdym z tych wariantów należy używać małych modeli do prostych podzadań, takich jak klasyfikacja, ekstrakcja i formatowanie, a duże modele zostawić do trudnego rozumowania. Jest jednak haczyk: zbyt mały model może zawieść i wymusić ponowne uruchomienie na większym, a w długim łańcuchu jedna awaria może wykoleić kolejne kroki. Ustalenie tego progu to decyzja projektowa, którą warto przetestować. Więcej w tekstach wybór właściwego modelu oraz orkiestracja zamiast generowania.

Co zrobić dalej

  • Rejestrować liczbę tokenów na każde ukończone zadanie, łącznie z ponowieniami i nieudanymi przebiegami, dla każdego używanego agenta.
  • Ustawić limity kroków, tokenów, czasu i wydatków dla każdego agenta przed wdrożeniem go do produkcji.
  • Dodać wykrywanie pętli i możliwość zatrzymania przebiegu przez człowieka.
  • Zaczynać od najprostszego działającego rozwiązania i dodawać agentów tylko wtedy, gdy zadanie tego wymaga.
  • Kierować proste podzadania do małych modeli. Więcej w tekście efektywne korzystanie z AI.
  • Przy zakupie narzędzi agentowych warto pytać dostawców, jak ograniczają i raportują zużycie tokenów: zob. zrównoważone zamówienia AI.

Najczęściej zadawane pytania

Czym jest agentowa AI?

To systemy AI, które dążą do celu w kilku krokach i same decydują, jakie narzędzia wywołać i co zrobić dalej, zamiast odpowiadać na pojedynczy prompt. Często wywołują model językowy wiele razy na jedno zadanie.

Dlaczego agenci AI zużywają tak dużo tokenów?

Na każdym kroku do modelu trafia z powrotem rosnąca historia zadania, a agenci mogą wywoływać narzędzia, sprawdzać własną pracę i ponawiać próby. Systemy wieloagentowe przekazują też wiadomości między agentami, a każda z nich kosztuje tokeny.

Jak powstrzymać agenta AI przed marnowaniem tokenów?

Należy ustawić limity liczby kroków, tokenów, czasu i wydatków; wykrywać pętle i powtarzane działania; używać małych modeli do prostych podzadań; i zapewnić, że człowiek może zatrzymać przebieg.

Źródła

  1. How we built our multi-agent research system, Anthropic (2025)
  2. Why do multi-agent LLM systems fail?, Cemri et al. (2025)
  3. The cost of dynamic reasoning: demystifying AI agents and test-time scaling from an AI infrastructure perspective, Kim, Shin, Chung and Rhu, HPCA 2026 (2025)
  4. Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027, Gartner (2025)
  5. Running agents (max_turns), OpenAI Agents SDK documentation (2025)

Dołącz do nas

Pomóżmy zmniejszyć wpływ AI na planetę

Nowe przewodniki, nabory wniosków i wpisy w katalogach e-mailem, mniej więcej raz w miesiącu. Można też dodać do katalogów swój produkt, kurs, ofertę studiów doktoranckich lub badania.

Bez śledzenia. Rezygnacja jednym kliknięciem. Inne sposoby dołączenia · Prywatność