待验证50% 置信权衡取舍精确时间
ReAct的推理链会持续消耗上下文token，一个执行20步操作的Agent其历史推理链可能消耗数万token
1
来源数
50%
置信度
长期有效
时效性
2026/7/24
首次发现
来源
相关事实
待验证典型的Agent框架如ReAct、AutoGPT、LangGraph采用感知-推理-行动的迭代模式，上下文随轮次累积导致后期每轮Token消耗呈线性甚至指数增长76% 相似待验证在Agent应用中，每一轮推理-行动-观察循环都需要将完整历史上下文重新输入模型，导致Token消耗随任务复杂度呈非线性增长75% 相似待验证大多数Agent框架采用完整上下文重放策略，每轮调用需将历史对话全量传入，导致Token消耗随循环轮次呈二次方级增长75% 相似待验证推理-行动循环（ReAct Loop）可以持续多轮，AI分析状态、决定调用工具、获取结果后再规划下一步直至任务完成71% 相似待验证典型的 ReAct 范式 Agent 可能需要经历 5-20 轮循环才能完成一个复杂任务，每轮循环都涉及至少一次 LLM 调用70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/607419API
curl https://kongchang.com/api/v1/knowledge/claims/607419MCP
get_claim(id=607419)