GitHub 自动优化：将Agentic工作流的“隐形油费”摊在阳光下
想象一下，你拥有一个24小时不停歇的“清道夫”团队，每天自动清理代码仓库里的各种小麻烦。GitHub 的 Agentic Workflows 正是这样的存在。然而，这些自动化工作流消耗的 AI 令牌（Tokens）就像飞机的“隐形油耗”——虽然每趟看似不多，但日积月累、自动运行，成本很容易失控。5月7日，GitHub 发布了一项针对自身 Agentic 工作流的深度优化成果，不仅公开了其系统的令牌效率优化方法论，更展示了一套让机器自己找出并解决浪费的“元工作流”。这项实践对每一个依赖 AI 自动化的开发者都极具参考价值。
痛点浮现：自动化的成本为何会成为“盲区”？
与开发者手动操作不同，Agentic 工作流完全由 YAML 定义并自动触发。这意味着，每一次代码合并、每一次测试，都可能触发一连串的 AI API 调用，而开发者往往难以感知其累积的巨额成本。GitHub 的工程师 Landon Cox 和 Mara Kiefer 坦言：“CI 作业是自动调度和触发的，成本可能在你看不见的地方持续累积。” 但好消息是，“让自动化变得更高效，比优化交互式桌面会话要容易得多。”
对症下药：从“日志黑洞”到“自我优化的飞轮”
GitHub 的第一刀，落在了数据可观测性上。面对不同代理框架（如 Claude CLI、Copilot CLI）日志格式不一的混乱局面，他们利用工作流的 API 代理架构，统一导出了名为 token-usage.jsonl 的日志，记录了每一次 API 调用的输入、输出及缓存情况。以此为基础，他们构建了两个关键工具：每日令牌审计员和每日令牌优化器。审计员负责抓出耗资异常或执行轮次暴涨的工作流；优化器则直接分析源码与日志，自动生成 Issue，提出具体的优化建议。最妙的是，审计员和优化器本身也是 Agentic 工作流，它们的开销同样被纳入监控，形成了一个“自我优化的飞轮”。
基于这个系统，优化器发现了两个最典型的浪费场景：
- 未使用的 MCP 工具堆砌：很多工作流初始化时加载了整套 MCP 服务器工具（例如 GitHub MCP 的 40 个工具），但实际只用了 2 个。每次请求，剩余的 38 个工具的 JSON Schema 加载了 10-15KB 的纯开销。仅通过剪枝未使用的工具，每个工作流运行就节省了数千个令牌。
- 用“思考”代替“请求”的低效：调用 MCP 工具获取 PR diff 或文件内容，是一个包含“决策-指令-输出”的完整 LLM 轮次，开销巨大。更划算的方式是直接调用 GitHub CLI 执行 `gh pr diff`，这只是一次没有 LLM 参与的确定性 HTTP 请求。据透露，GitHub 正在推进将 MCP 数据获取任务替换为 CLI 调用的策略。
我的看法：AI 时代的 DevOps 新范式
这项实践的核心价值在于将 AI 开发的“边际成本”问题显性化。过去，我们担心的是计算资源浪费；今天，令牌浪费成了新的“碳足迹”。GitHub 的做法展示了一种先进的架构思维：让 AI 系统不仅“做事”，还要“学会省钱”。当你的自动化系统每天运行时，或许也该考虑引入一个类似的“审计员”来审视你的令牌账单。毕竟，在规模化使用 AI 的时代，效率本身就是最大的竞争力。
