一个Agent烧掉200美元，教会我的6件事

前两天看到一篇技术博客，作者是 @sairahul1。

他讲了一个真实故事。

一个AI Agent在服务器上跑了整整六个小时，不断调用OpenAI的API，完全没有停下来的意思。所有监控面板都显示一切正常。直到第二天早上，账单到了。

200美元。

不是因为系统崩了，是因为没有人给它设一个终止条件。

我觉得这个故事太真实了。

坦率的讲，大多数人在学AI工程的时候，方向是反的。装个库，跟个教程，调个API，跑通了，觉得嗯我在进步。然后有一天，东西崩了，崩得你一脸莫名其妙。你开始瞎改参数，改到它不崩为止。

这不是工程。这是在键盘上祈祷。

原作者在这篇文章里拆了6个核心概念。不是那种「带你入门AI」的泛泛之谈，而是你真正要把AI系统跑在生产环境里，绕不开的那几个硬骨头。

我花了点时间读完之后加了自己的理解，下面跟你聊聊。

一句话说清楚这整件事

不管一个AI系统看起来多复杂，它拆开了就是四样东西。

Memory (RAG) + Thinking (LLM + Tokens) + Actions (Agents) + Measurement (Evals)

记忆加思考加行动加度量。

记忆，RAG加向量，系统知道什么。

思考，大模型加Token加上下文窗口，系统怎么推理。

行动，Agent循环加工具，系统能做什么。

度量，Evals评测，你怎么知道它有没有在好好干活。

然后还有一个东西把这四样粘在一起。

上下文工程。

就这一句话，把整个领域框住了。下面每个概念，都是在拆这句话里面每个词到底什么意思。

Token和上下文窗口，所有翻车的根源

大模型不读字，它读Token。

Token就是把文字切成小块。engineering是一个Token，unbelievable是两个Token。空格和标点也算。

每个模型都有一个上下文窗口，一个硬上限。Claude 20万Token，GPT-5可以到40万。

你可以把它想象成会议室里的白板。模型能处理的，永远是白板上当前写着的那些东西。白板写满了，旧的东西被擦掉。模型没有变笨，它只是看不到之前的信息了。

为