声明：本篇博客是以吴恩达的【Agent智能体】教程为基础，并对其中的内容做了笔记整理以及个人收获的总结。
延迟、成本优化的优先级一般较低。下面展示一下相关的思路：
降低延迟
如果你想优化智能体工作流的延迟，常用的方法是对工作流进行基准测试或计时，通过查看整体时间线 我可以判断哪些环节有最大优化空间，可以加快速度，常用的方法如下：
- 考虑并行处理 (Consider parallelism?)
- 如果有些步骤还没并行处理，比如网页抓取，可以考虑将部分操作并行执行，而不是排队挨个抓取，从而大幅缩短总运行时间。
- LLM 步骤耗时过长？ (LLM steps too long?)
- 或者发现某些大语言模型步骤耗时过长，尝试使用规模较小/稍弱但速度更快的模型 (smaller/less intelligent model) ，或者更换响应速度更快的 LLM 服务提供商 (faster LLM provider)。
通过这种计时分析 你能判断哪些环节最值得优化
减少成本
在构建和运行 AI 工作流时，通常需要为以下三类操作付费：
- LLM 步骤 (LLM steps - pay per token)： 调用大语言模型（如 GPT-4、Gemini 等）的费用。这是基于输入（Prompt）和输出（生成的文本）的词块数量 (Token) 来计费的。处理的文本越长，费用越高。
- API 调用工具 (Any API-calling tools - pay per API call)： 当代理使用外部工具（如谷歌搜索 API、天气 API、数据库查询等）时，通常是按调用次数 (per API call) 固定计费的。
- 计算步骤 (Compute steps - based on server capacity/cost)： 在本地或云服务器上执行普通代码、数据处理或运行脚本的成本。这取决于所消耗的服务器计算资源和时长 。
在优化成本方面，同样可以对每一步的成本进行计算 从而基准测试并决定哪些步骤需要优化，重点关注优化哪些环节。
有时候优化提示词减少无效长文本，或者寻找更便宜的替代 API 工具，能大幅降低整体工作流的运行费用。
总结：
所以发现当成本或延迟成为问题时，只需测量每一步的成本或延迟这通常能为你提供依据 判断该优先优化哪些组件
到此，构建AI工作流的技巧相关的知识就介绍完了，下面该介绍"规划"这个涉及模式了！
如果这篇文章对你有帮助，欢迎点赞、评论、关注、收藏。你们的支持是我前进的动力！