一键部署OpenClaw
在当前的市场环境中，用户对各类智能体的认知几乎达成了一种共识，那就是：
成本高昂。
这里的“高昂” 并不单指智能体模型的价格，而是指在实际使用过程中，Agent所需的Token消耗。随着Agent真正融入业务流程，承担数据处理、运营执行和财税服务等任务时，Token的消耗会随着任务规模的扩大而迅速累积。
任务量越大，使用的频率越高；频率越高，Token的成本就越高。
对于企业和个人用户而言，Agent不仅需要高效完成任务，还必须以可控的成本持续运作。否则，即使具备再强的能力，也难以满足大规模的应用需求。
然而，小九想进一步探讨：
Agent的成本，是否真的只能随着任务量的增长而不断上升？
一、Agent的Token消耗为何持续居高不下？
要理解Token消耗的问题，首先要认识到当前主流Agent的运作机制。
目前，大部分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。
这种工作模式具有很强的通用性，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，它也带来了一个自然的问题：Agent会不断重复已完成的思考。
即便面对完全相同的任务，Agent仍需重新进行环境理解、状态分析和执行规划，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类变化。然而，企业场景往往具有明显不同的特征。大部分业务流程都是稳定的规则和重复性的。例如，财税申报、数据录入、系统巡检和运营管理等任务的逻辑相对固定，同类任务会被持续重复执行。
对于这些场景而言，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，基于对成本的考量，我们需要的不仅是推理能力，更需要能力的沉淀。
b-IT-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b-IT-Agent时，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的能力机制入手，提出了“探索+固化”的技术路线。
图源：甲子光年《企业级智能体白皮书》
在首次接触某项任务时，b-IT-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的能力。
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的任务时，可以直接调用已沉淀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，二者基本呈线性增长关系。而b-IT-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.b-IT-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而不断放大。任务执行规模越大，能力复用带来的成本优势越明显。
从最为现实的角度来看，b-IT-Agent只需付出首次探索的Token成本，后续复用时消耗的仅是廉价的电费，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，b-IT-Agent还做了哪些优化？
“探索+固化”是b-IT-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，不仅会增加Token消耗，也会影响模型决策效率。
b-IT-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。随着任务链变长，Token消耗也会持续增加。
b-IT-Agent采取按需注入策略，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，b-IT-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，b-IT-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。
b-IT-Agent“能力与工具调用”模块
这些优化措施共同作用，使b-IT-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，衡量其价值的标准也在发生变化。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，b-IT-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！
申请创业报道，分享创业好点子。点击此处，共同探讨创业新机遇！