AI 分析
痛点：AI agent 一次运行会产生多次 LLM 调用与重复上下文，token 成本快速累积，却难以在降本的同时保证可靠性。
目标用户：构建 tool-using AI agent 的 AI 应用开发者、工程团队与推理成本优化负责人
证据：Plan-once was 20–60x cheaper in my experiments, but could silently produce incorrect answers. / Repeatedly sending conversation history contributes significantly to token costs. / can we make agents significantly cheaper without sacrificing reliability?
变现：开源框架加托管 SaaS：按 trace 量或月订阅收费的 agent 运行成本分析与执行策略优化服务；企业版私有部署与团队报表。
MVP：两周内做一个 agent trace 成本分析器：包一层 OpenAI/Anthropic SDK，记录每次运行的 token、成本与工具调用链，自动标出重复上下文浪费，并给出 plan-once 改写建议与成本对比报表。
竞品：LangSmith、Langfuse、Helicone、AgentOps、Braintrust
摘要：作者用实验框架 Obol 对比 ReAct、plan-once、cheap-first cascade 等 agent 执行策略的成本，发现 plan-once 在其实验中便宜 20–60 倍，但可能静默产生错误答案；重复发送对话历史是 token 成本的主要来源，cheap-first 未达预期标准。项目仍处实验阶段，作者只求 star 和反馈，全文没有付费意愿或收入数据。