创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

基准测试:MCP 任务拆解的令牌成本增至 7.4 倍

AI 总结

在一次脚本化 MCP 基准测试中,将同一个周报工作流拆成三个短工具后,累计 prompt 令牌从 569 增至 4,194,执行时间从 960 毫秒升至 1,282 毫秒。令牌增长主要源于中间结果在各轮之间被重复传输。拆解方案可以只重试失败步骤,但要强制执行顺序仍需明确维护状态;否则协议允许步骤被跳过并返回不完整内容。任务原语使用 560 个 prompt 令牌,主要处理服务端生命周期,而非上下文成本。该实验仅覆盖一个三步工作负载并使用本地脚本化 LLM,结果未必能推广到其他任务。

深度见解

该基准测试明确比较了令牌用量、延迟、恢复粒度、顺序状态成本和任务生命周期处理,揭示了 MCP 任务拆解除模块化之外的取舍。报告建议依据具体工作负载的失败率、单步耗时、中间结果大小和超时限制进行测量,而不是普遍套用实验结果。

上一篇结尾我给了个建议:长任务如果等不完,不如拆成几个短工具,让模型自己串起来。

理由写得很顺:不需要任务原语、不需要持久化 store、中途失败只重跑最后一步、模型还能看到中间结果改主意。代价我也提了一句——"模型得多调几次工具,多花点 token"。

这句话写得太轻了。

这次我真的拆了一遍,把账单量出来:同一个任务,拆成三个工具之后,累计 prompt 从 569 tokens 涨到 4194,7.4 倍。  而省下的恢复时间,只有 300 毫秒。

这篇文章就是把这三笔账摊开——token、时间、恢复代价——然后回答一个问题:什么时候拆值,什么时候拆是自残。

先说实验怎么做的

同一个「生成周报」的任务,三种形态,同一份数据(本周 5 篇笔记,7 个标签):

#MCP

原文约 11 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。