W skrócie
Każdy agent powinien mieć sprawdzalny cel, który kończy przebieg, twarde limity kroków, tokenów, czasu i wydatków oraz wykrywanie pętli, które zatrzymuje go, gdy zaczyna się powtarzać. Należy przycinać kontekst przenoszony w każdym kroku, używać zwykłego kodu do decyzji, które może podjąć reguła, i kierować proste podzadania do małych modeli. Agenci mogą zużywać wielokrotnie więcej tokenów niż czat, więc te limity szybko się opłacają.
Kroki
- Zdefiniować test sukcesu, który kończy przebieg, gdy tylko cel zostanie osiągnięty.
- Ustawić twarde limity kroków, tokenów, czasu i wydatków oraz logować, gdy przebieg osiągnie któryś z nich.
- Wykrywać powtarzające się działania lub niemal identyczne wiadomości i zatrzymywać przebieg.
- Streszczać lub usuwać starą historię, aby każde wywołanie czytało mniej.
- Używać zwykłego kodu do decyzji opartych na regułach i małych modeli do prostych podzadań.
- Logować tokeny na ukończone zadanie, w tym ponowne próby i nieudane przebiegi.
Każdy agent powinien mieć limity i warunek zakończenia, zanim trafi do produkcji. Agenci wywołują model raz za razem, a każde wywołanie zwykle niesie rosnącą historię zadania.
Dlaczego to ważne?
Anthropic podał, że jego agenci zużywali zwykle około czterech razy więcej tokenów niż czat, a systemy wieloagentowe około piętnastu razy więcej. Cemri i współpracownicy przeanalizowali ponad 1600 śladów działania z siedmiu frameworków wieloagentowych i znaleźli 14 odrębnych rodzajów awarii, od złej specyfikacji zadania po agentów, którzy nie weryfikują swojej pracy. Każdy z nich to sposób na wydawanie tokenów bez uzyskania wyniku.
Jakie zabezpieczenia działają?
- Warunek zakończenia. Wzorzec Green Software Foundation dotyczący orkiestracji agentów zaleca przerywanie pętli agentów po osiągnięciu celów, zamiast wykonywania stałej liczby iteracji.
- Twarde limity. Obsługuje je większość frameworków; OpenAI Agents SDK ma na przykład ustawienie
max_turns, które zatrzymuje przebieg po jego przekroczeniu. Limity powinny zawodzić bezpiecznie: zatrzymać i zgłosić, a nie po cichu ponawiać. - Wykrywanie pętli. Należy oznaczać powtarzające się wywołania narzędzi lub niemal identyczne wiadomości między agentami.
- Przycinanie kontekstu. Dalej należy przekazywać streszczenia, a nie całe dokumenty i logi. Zob. jak przestać wysyłać całą rozmowę od nowa.
- Pamięć podręczna (cache). Nie należy zadawać tego samego pytania dwa razy: zob. jak korzystać z pamięci podręcznej.
Co daje największą różnicę?
Najprostszy projekt, który działa. Stały skrypt lub jedno dobrze sformułowane wywołanie modelu z narzędziem często wystarcza. W następnej kolejności można dodać jednego agenta z limitem kroków, a wielu agentów tylko do szerokich, wartościowych i naprawdę równoległych zadań. Brytyjski sandpit (intensywne warsztaty badawcze, na których naukowcy i przemysł wspólnie wypracowują pomysły na projekty) o zielonej AI z 2026 roku, w którym uczestniczyli matematycy, informatycy i przedstawiciele przemysłu, wskazał roje agentów wpadających w pętle jako realne i słabo zbadane źródło marnotrawstwa.
Dowody opisano w artykule agentowa AI i marnowanie tokenów.
Źródła
- How we built our multi-agent research system, Anthropic (2025)
- Why do multi-agent LLM systems fail?, Cemri et al. (2025)
- Running agents (max_turns), OpenAI Agents SDK documentation (2025)
- Optimize agent orchestration to reduce unnecessary model calls, Green Software Foundation, Green Software Patterns (2025)
Powiązane
Agentowa AI i marnowanie tokenów
Dlaczego agenci AI mogą zużywać wielokrotnie więcej tokenów i energii niż czat, jak pętle je marnują i jakie zabezpieczenia trzymają agentów w ryzach.
Jak kierować zapytania do mniejszych modeli?
Jak kierować rutynowe zapytania do małego modelu, a tylko trudne do dużego, i jak dostroić router, by ponowne próby nie zjadły oszczędności.
Jak użyć cache, aby zmniejszyć zużycie energii przez wywołania LLM?
Dwa rodzaje cache ograniczające pracę LLM: prompt caching u dostawcy dla powtarzanego kontekstu i własny cache, aby nie odpowiadać dwa razy na to samo.
Jak korzystać z agentów AI i narzędzi deep research bez marnotrawstwa?
Kiedy agenci AI i tryby deep research są warci znacznie większego zużycia tokenów i jak formułować dla nich zadania, by kończyli szybko, zamiast krążyć w pętli.