32 个 agent 实战:事件驱动架构降本效果胜过模型路由
tradfyAi · reddit · 2026-09-16
作者在实时金融市场数据场景(32 个专职 agent、跨 GPT-5.6 Sol、Fable、Opus 等多模型)做了一次实验,发现把手动触发的工作流改成真正的事件驱动后,成本不升反降、质量还提升。
架构要点:
- 外部事件发生时仅相关工作流响应;小模型负责分类、抽取、路由、归一化、事件检测和基础摘要等重复性工作
- 输出带时间戳、证据与关系,写入基于图的共享上下文层
- 定期或在检测到「实质变化」时,由前沿模型组成的小型「council」审查积累的上下文,识别矛盾与缺口、压缩关键信息,产出针对特定资产/国家/市场环境的更新快照
降本原理:前沿模型不再处理重复数据和反复重建的上下文,只在小模型过滤和结构化之后选择性介入;提质原理:高推理模型拿到的是连贯证据集而非海量原始数据流。
作者同时坦承遗留问题:上下文会过期、坏观察会污染后续摘要、证据不全时仍会幻觉、「实质事件」难定义、周期性压缩可能丢失后来才重要的细节。核心结论:多 agent 最大的成本问题不是选哪个模型,而是反复把大量非结构化上下文喂给昂贵模型。
「编程与Agent」频道最新
- Probabl 推出 skore 开源库:让 ML 评估与实验追踪成为工作流默认 — GaelVaroquaux · 2026-09-16
- AgentIR:把 agent 推理轨迹嵌入检索,让搜索引擎为 AI 而非人类服务 — CShorten30 · 2026-09-16
- AI Evals FAQ 更新至 48 问:新增敏感数据、大 trace、LLM 裁判等实操问答 — HamelHusain · 2026-09-16
- 一个 Prompt 直达实物:AI 自主用 Blender 建模并 3D 打印出香蕉 — anthara_ai · 2026-09-16
- 8 个 AI 智能体管 Obsidian:PhD 开源「大脑外挂」获 3.5k 星 — tom_doerr · 2026-09-16
- 用户让 AI Agent 坐回 Amazon 逾期 $70 退款,一次点击搞定 — armand_ruiz · 2026-09-16