Головна / Статті / Витрати на обчислення для циклів агентів порівняно з чат-ботами

Витрати на обчислення для циклів агентів порівняно з чат-ботами

Чому планування у стилі ReAct та ланцюги інструментів можуть збільшити вартість інференції у 10 разів — та які заходи допомагають контролювати ці витрати.

2169 слів

Чому агенти споживають приблизно у 10 разів більше ресурсів, ніж чат-боти

Перехід від чат-ботів до автономних агентів — це не просто зовнішня зміна, а зміна архітектури. Ітеративні цикли міркувань подвоюють кількість операцій з інструментами та вхідних/вихідних даних, тож виконання однієї задачі може коштувати у кілька разів більше, ніж одна обмежена відповідь.

Чат-боти: один обмежений запит

Класичний асистент виконує приблизно такі кроки: запит → один (або кілька) викликів моделі → відповідь. Витрати зростають пропорційно кількості токенів у вхідних та вихідних даних. Затримка складається з одного шляху обробки даних плюс процес вибору результату.

from langchain_community.vectorstores import FAISS
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI, OpenAIEmbeddings

# Initialize the components (Vector store and LLM)
vectorstore = FAISS.from_texts(
    ["AI Agents require iterative loops."],
    embedding=OpenAIEmbeddings()
)
retriever = vectorstore.as_retriever()
model = ChatOpenAI(model="gpt-4o-mini")

# Build the linear RAG chain
rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | model
    | StrOutputParser()
)

# Execute the single, bounded inference call
# This represents exactly one unit of compute.
response = rag_chain.invoke("Why do agents need more compute?")

Агенти: планування, дія, корекція

Агенти організовують цей процес у цикл: міркування → вибір інструменту → спостереження → знову міркування. Кожен крок передає все більший обсяг контексту. Самокорекція після невдач додає ще більше кроків.

import json

class AgenticResearchLoop:
    def __init__(self):
        self.conversation_history = []
        # We mock the LLM responses to illustrate the sequential, stateful calls
        self.mock_llm_steps = [
            # Call 1: Initial planning step
            {
                "thought": "I need to identify the top 3 Salesforce competitors. I will start with a web search.",
                "action": "web_search",
                "action_input": "top CRM competitors to Salesforce 2024"
            },
            # Call 2: Analyzing results and planning the next action
            {
                "thought": "The search returned HubSpot, Microsoft Dynamics, and Veeva. Now I need to query HubSpot's latest quarterly earnings.",
                "action": "web_search",
                "action_input": "HubSpot latest quarterly earnings revenue"
            },
            # Call 3: Processing data and executing the next planned step
            {
                "thought": "HubSpot reported $557M in revenue. Now I will search for Microsoft Dynamics earnings.",
                "action": "web_search",
                "action_input": "Microsoft Dynamics 365 quarterly revenue growth"
            },
            # Call 4: Final synthesis of all collected information
            {
                "thought": "I have successfully retrieved data for the key competitors. I can now compile the final summary.",
                "action": "finalize_answer",
                "action_input": "Salesforce competitors summary: HubSpot ($557M revenue), Microsoft Dynamics (growing), and Veeva."
            }
        ]
        self.api_call_counter = 0

    def query_llm(self, accumulated_prompt: str) -> dict:
        """Simulates an expensive inference call to the LLM provider."""
        self.api_call_counter += 1
        print(f"[LLM CALL #{self.api_call_counter}] Consuming tokens (Context size: {len(accumulated_prompt)} chars)...")
        # In production, this would be a real chat completion API call
        return self.mock_llm_steps[self.api_call_counter - 1]

    def run(self, user_goal: str):
        print(f"User Goal: {user_goal}\n")
        context = f"Goal: {user_goal}\n"

        while self.api_call_counter < len(self.mock_llm_steps):
            llm_response = self.query_llm(context)
            print(f"  Reasoning thought: {llm_response['thought']}")
            print(f"  Executing Tool: {llm_response['action']}({llm_response['action_input']})")

            observation = f"Successful result from {llm_response['action']}"
            print(f"  Observation: {observation}\n")

            context += (
                f"Thought: {llm_response['thought']}\n"
                f"Action: {llm_response['action']}\n"
                f"Observation: {observation}\n"
            )

# Execute the agent
agent = AgenticResearchLoop()
agent.run("Research the top 3 competitors to Salesforce and summarize their latest quarterly earnings")

Цикли у форматі ReAct

Мінімальний приклад реалізації ReAct пояснює, чому споживання ресурсів різко зростає:

+-------------+      Tool Call Parameter      +----------------+
|             | ----------------------------> |                |
|  LLM Agent  |                               | External Tool  |
|             | <---------------------------- | (API/Database) |
+-------------+      Raw JSON Observation     +----------------+
       |
       v
[Append to Context Window] ---> [Trigger Next LLM Inference Turn]

Кожен результат використання інструменту стає новими токенами, на які мусить звернути увага наступна операція обробки даних.

Анатомія вибуху

Кілька висновків за завданням замість одного.
Розширення контексту — історія, сліди використання інструментів, нотатки.
Гіпотетичні глухі кути — плани, які відкидаються після витрачання токенів.
Затримка інструментів, що накопичується разом із часом обробки GPU.

Комплексне використання інструментів

Зовнішні API додають час обробки та іноді більше викликів моделей для аналізу результатів:

import json

class AgentExecutor:
    def __init__(self, prompt_template: str):
        self.context = prompt_template
        self.total_tokens_processed = 0
    def execute_step(self, reasoning: str, action_result: dict):
        step_input = f"\nThought: {reasoning}\nObservation: {json.dumps(action_result)}"
        self.context += step_input

        # Calculate mock token count (roughly 4 characters per token)
        context_tokens = len(self.context) // 4
        self.total_tokens_processed += context_tokens

        print(f"Context Size: {context_tokens} tokens | "
              f"Cumulative Tokens Billed: {self.total_tokens_processed}")
agent = AgentExecutor("System: You are an agent that books travel using tools.")
# Step 1: Flight Search Tool Output
agent.execute_step(
    reasoning="I need to find flights from JFK to LHR first.",
    action_result={"flights": [{"id": "AA100", "price": 450, "time": "08:00"}]}
)
# Step 2: Hotel Search Tool Output (Context has grown)
agent.execute_step(
    reasoning="Found flight AA100. Now I must find a hotel near Heathrow.",
    action_result={"hotels": [{"name": "Airport Inn", "price": 120, "rating": 4.2}]}
)

Багатоетапний процес виконання завдань (пошук → кошик → оплата → підтвердження) вимагає кількох відповідей чат-бота, навіть якщо кожен етап є „простим“.

Невдачі коштують дорого

Повторні спроби та аналіз є корисними для надійності, але шкідливими для рахунків. Без бюджету агент може безрезультатно намагатися вирішити проблему.

import time
from typing import Callable, Any, Dict

class AgentRuntimeLimitError(Exception):
    """Raised when an agent violates runtime guardrails."""
    pass

def execute_agent_step(
    step_fn: Callable[[], Dict[str, Any]],
    max_iterations: int = 5,
    max_duration_seconds: float = 10.0
) -> Dict[str, Any]:
    """
    Executes an agent step loop with strict termination guardrails
    to prevent infinite ReAct loops and runaway API billing.
    """
    start_time = time.time()
    iterations = 0

    while iterations < max_iterations:
        elapsed_time = time.time() - start_time
        if elapsed_time > max_duration_seconds:
            raise AgentRuntimeLimitError(f"Execution timed out after {elapsed_time:.2f}s.")

        step_result = step_fn()
        iterations += 1

        if step_result.get("status") == "COMPLETED":
            return step_result

    raise AgentRuntimeLimitError(f"Exceeded maximum iterations limit: {max_iterations}"

Реальні навантаження

Автономне програмування: редагування, тестування, читання журналів, повторне редагування — десятки викликів моделей.
Багато-API операції для клієнтів: ідентифікація, інвентаризація, доставка — послідовні інструменти.
Системи моніторингу інфраструктури: збір даних, діагностика, пропозиції виправлень у рамках суворих SLO.

Коли достатньо чату

Використовуйте однократні операції або прості інструменти, коли завдання полягає у запитаннях та відповідях, стисненні інформації чи одноразовому пошуку даних. Звертайтеся до агентів, коли середовище частково спостерігається та результатом є багатокрокові дії.

Ограничення

Жорсткі ліміти на кількість кроків, токенів та витрати за один запуск
Детерміністичні шляхи для дій з високим ризиком
Середовища тестування для коду та інструментів командного рядка
Можливість спостереження: відстежування кожної думки/інструменту з позначками витрат
Кешування стабільних результатів пошуку; скорочення запитів між кроками

Що вимагає архітектура

Ставіться до агентів як до розподілених систем: бюджети, ідемпотентність, аудит та SLO — а не як до інтерфейсів чату з прапорцем циклу. 10× обчислювальна потужність — це не баг; це ціна ітеративного керування, якщо тільки ви не спроєктуєте систему інакше.

Позначайте кожен етап значеннями agent_id та step_index, щоб відділ фінансів міг присвоїти коефіцієнт 10×.

Позначте кожен фрагмент значеннями agent_id та step_index, щоб відділ фінансів міг застосувати коефіцієнт 10×.

Позначте кожен фрагмент значеннями agent_id та step_index, щоб відділ фінансів міг застосувати коефіцієнт помноження 10×.

Усі статті Надіслати бриф