Google 研究者参与的一篇论文，把 Agent 在长任务中的 token 消耗降低了约 94%。
核心结论：让它记住当前状态，省掉每一步重读历史。
这是 SKILL.state 在 100 步仓库管理实验中的结果。相比同时保留状态和完整历史的基线，token 消耗从约 106 万降到了 6.5 万，动作准确率从 91% 提高到 94%。
为什么能省这么多？
Agent 每做一步，通常都要读前面的操作记录和工具结果，重新搞清楚现在是什么情况；任务越长，重复读的内容越多。被推翻的旧结论也留在里面，后面还得反复判断它是否有效。
SKILL.state 单独维护一份当前状态。每轮只给模型任务规则、状态和最新观察，模型照常推理、决定下一步，把以后需要的信息写进状态，本轮推理就不再传下去。
比如货物从 A 搬到了 B，下一次发货只需要知道它在 B，没必要再读一遍搬运过程。
我觉得这个方案值得试，尤其是流程明确、知道该记什么的任务。每一步都从历史里重新整理现状，确实有很多重复工作。
但这里有个问题值得讨论：我们能不能在每一步，就判断清楚哪些过去的信息会影响未来，并把它们完整地留在状态里？
能做到，精简状态就可能同时省成本、减少旧信息干扰；做不到，丢掉历史就会付出信息损失的代价。
完整论文地址👇