专场：Token 成本治理与ROI分析
......
专场出品人：
......
......
任磊达
腾讯 QQ飞车后台开发工程师
腾讯 QQ飞车Agent小组长，高级后台开发工程师，目前主要负责团队AI-Native工作流改造及服务器开发工作。长期从事业务开发、安全开发、数据开发、研发效能及可观测性治理工作。
待定
待定
从 Loop Engineering 的童话到 ROI 驱动的 Harness 建设选型
议题背景：
Loop Engineering 曾被视为 AI Native 研发的理想形态:让 Agent 自动规划、执行、修复和总结。但在生产环境中,团队很快会遇到现实问题:Token 成本失控、上下文反复重读、产出难以合入、质量仍需人工兜底。
现实是：业务团队无法决定 Codebuddy、OpenCode 等底层 CLI 的实现,却要直接承担 Token 成本飙升、注意力分散、任务优先级冲突、输出准确率不稳乃至外网访问合规风险带来的压力。 本次分享将从一次"全自动 loop 撞墙"的实践出发,讨论降本趋势下 Harness 建设如何从概念驱动转向 ROI 驱动——它讨论的不是 CLI 工具的底层实现,而是在真实业务场景下,如何架构工具的注意力边界:包括事前-事中-事后的人机协同边界、review 驱动的质量闸门、handoff + prompt cache 的 Token 经济学,以及渐进式披露与路由委派如何把 Token 成本降低 90%+,最终实现真正的可靠与增效。
内容大纲：
1. 童话期：Loop Engineering 的理想与撞墙
Loop Engineering 曾被视为 AI Native 研发的理想形态:让 Agent 自动规划、执行、修复和总结。但在生产环境中,团队很快会遇到现实问题:Token 成本失控、上下文反复重读、产出难以合入、质量仍需人工兜底。
现实是：业务团队无法决定 Codebuddy、OpenCode 等底层 CLI 的实现,却要直接承担 Token 成本飙升、注意力分散、任务优先级冲突、输出准确率不稳乃至外网访问合规风险带来的压力。 本次分享将从一次"全自动 loop 撞墙"的实践出发,讨论降本趋势下 Harness 建设如何从概念驱动转向 ROI 驱动——它讨论的不是 CLI 工具的底层实现,而是在真实业务场景下,如何架构工具的注意力边界:包括事前-事中-事后的人机协同边界、review 驱动的质量闸门、handoff + prompt cache 的 Token 经济学,以及渐进式披露与路由委派如何把 Token 成本降低 90%+,最终实现真正的可靠与增效。
内容大纲：
1. 童话期：Loop Engineering 的理想与撞墙
1.1 童话设定：以为 Agent 能自我收敛
无治理的全自动 loop 看起来很美好：Agent 自己探索、自己修改、自己修复、自己总结。但真实情况是，它往往只是在扩大上下文和消耗 Token。
1.2 撞墙时刻：Token 成本失控与不可合入产出
复盘典型问题：长上下文反复重跑、失败重试无边界、代码看似完成但无法进入生产流程。
1.3 核心反思：为什么“全自动”不是生产级方案
生产环境需要的是可控成本、可验收质量和可复用流程，而不是无限 loop。
2. 事前-事中-事后：重建人机协同边界
2.1 三段模型：澄清、执行、沉淀
事前做澄清和规划，事中做执行和路由，事后做 review、handoff 和复用沉淀。
2.2 边界定义：哪些交人，哪些交 Agent
Scope 变更、破坏性操作、架构取舍交给人；代码搜索、局部实现、测试执行、总结沉淀交给 Agent。
2.3 Review 驱动的 Harness：把 review 作为收敛闸门
用 review checklist 约束需求理解、边界条件、测试选择和 diff 范围，避免 Agent 自信地产出不可合入代码。
3. 核心亮点：Handoff + Prompt Cache 的 Token 经济学
3.1 北极星指标：企业合规流程里的每 M Token 人民币均价
Token 成本不只看模型 API 标价，还要纳入企业网关、审计、日志留存、失败重试、人工兜底等综合成本。
3.2 Handoff 设计：把会话压缩成可复用工程状态
用 handoff 记录目标、决策、关键文件、测试结果和未解决风险，避免新 Agent 每次从零探索。
3.3 Prompt Cache 优化：稳定前缀，动态尾部
把稳定规则和项目上下文放进可缓存前缀，把当前 diff、日志、局部代码放在动态尾部，降低重复 Token 和时延。
4. Token 管控后的工作流重构：从全量注入到按需加载
4.1 渐进式披露：命中跳过即不读
通过 SKILL.md 路由器和 P1 决策表，让 Agent 只读取当前任务必要的信息，避免全量上下文注入。
4.2 路由委派：用任务类型隔离上下文
探索、实现、Debug、Review、发布进入不同 Harness；复杂任务拆 DAG，用 subagent 隔离上下文膨胀。
4.3 治理度量：Token 预算与回归看护
为高频任务建立 Token 基线，观察单任务 Token、时延、返工率和 cache 命中变化。
5. 长期主义下的 Harness 选型：用 ROI 判断什么值得建设
5.1 选型维度：成本、质量、边界、复用
从 Token ROI、可维护性、人机边界清晰度、团队可复制性四个维度判断是否值得建设 Harness。
5.2 ROI 框架：探索成本 vs 长期复用收益
探索期可以投入高价 Token 找路径；一旦任务高频出现，就要收敛成低成本、可复用的 Harness。
5.3 团队落地：从个人 Prompt 到组织工作流
把个人经验沉淀成规则、skill、handoff、review checklist 和测试入口，提升团队 AI Native 程度。
敬请期待
......
.....
待定
待定
敬请期待
....
关注QECon公众号
议题投稿
speaker@qecon.com.cn
商务合作
151-2264-3988 木子
票务联系
135-2067-8913 媛媛
媒体合作
135-1619-6409 皮皮
添加QECon小助手，获取
会议最新资讯
购票咨询
13520678913 媛媛
