GitHub: 优化智能体工作流实现19%至62%的Token节省

GitHub工程团队于2026年5月7日发布了对自身生产环境智能体工作流的分析，提供了Token损耗的具体数据及优化措施。这是一个透明展示成本的罕见案例，对构建类似系统的团队颇具参考价值。

三大Token浪费来源

第一，不必要的MCP工具Schema。 包含40个工具的完整GitHub MCP服务器每次调用会增加10-15 KB上下文，而大多数工作流只使用其中几个工具。通过从MCP配置中移除未使用的工具，每次调用的上下文大小减少了8-12 KB，每次运行节省数千个Token。MCP（模型上下文协议）是工具向语言模型暴露Schema的标准。

第二，可确定性获取的数据。 许多智能体步骤是不需要推理的读取操作——例如获取Issue元数据。将此类获取操作移至智能体流程前的CLI步骤，在模型启动之前执行，这些调用就完全脱离了LLM推理循环。

第三，错误配置的规则。 Bash允许列表中一行配置错误导致了64步回退循环——工作流不得不手动重建编译器输出，而无法调用相应工具。

各工作流具体节省情况

五个优化后的工作流取得了以下成果：Auto-Triage Issues减少62%（超过109次运行），Security Guard减少43%，Smoke Claude减少59%，Daily Compiler Quality减少19%，Community Attribution减少37%。仅优化Auto-Triage一项，在观测期内就节省了约780万有效Token。

什么是有效Token指标？

GitHub开发了公式ET = m × (1.0 × I + 0.1 × C + 4.0 × O)，用于跨不同模型层级标准化成本。I为输入Token，C为缓存读取Token，O为输出Token，m为模型倍增系数。输出Token权重最高（4×），因为它是最昂贵的类型，而缓存读取Token仅为0.1×。该指标可直接比较使用不同模型和不同缓存模式的工作流——团队无需按模型单独追踪美元成本。