Asana 優化 Browser Agent 工作流:GPT-6.1 Sol 達成 76 倍成本削減

文章摘要

Asana 藉由 GPT-6 Astra 輔助實驗,成功優化其 StackAI 瀏覽器代理程式工作流,使其在 GPT-6.1 Sol 模型上的運行成本大幅削減 76 倍,執行速度提升 5 倍。該代理程式旨在自動化網頁瀏覽、表單填寫與資訊收集,為解決在大規模應用下累積的操作效率低落問題,Asana 技術長 Frank Hidalgo 利用 GPT-6 Astra 進行程式碼診斷。研究發現,代理程式先前未快取網頁文本與截圖歷程,且頻繁刪除資訊導致需重複造訪網頁,造成額外成本。GPT-6 Astra 在一週內完成原本預計耗時兩月的分析與測試,透過實作「擴展瀏覽歷程快取」、「提升文本保留量」及「批次刪除截圖」等策略,將原先每運行四分鐘的成本降至約 0.47 美元。最終優化方案設定保留 20 張截圖後再剔除舊檔,並結合更大容量的文本歷程,顯著改善了自動化執行效率。此實驗涵蓋 144 次運行測試,證明透過人類工程師設定方向、由 AI 進行實驗與程式重構,能有效將代理程式工作流導入正式生產環境。

AI 大叔解析

【核心判斷】
Asana 透過 GPT-6 Astra 重構代理程式的快取策略與記憶體預算,成功將瀏覽器代理程式的單次運行成本降至 0.47 美元,並在 GPT-6.1 Sol 模型上達成 76 倍的成本優化與 5 倍的執行速度提升。此實驗證明,針對代理程式的狀態保留機制(如網頁文本與截圖累積邏輯)進行微調,能顯著改善原本因過度頻繁刪除資訊導致的重複造訪成本。

【毒舌吐槽】
說穿了,這整場「技術革命」的起點,竟然只是發現程式邏輯漏掉了基本的快取(Caching)機制。這就像是廚師煮飯忘了開火,然後對外宣稱透過 AI 導入「冷卻後加熱」流程,成功將烹飪效率提升了 76 倍。雖然 Frank Hidalgo 成功利用 AI 將兩個月的苦工縮短至一週,但這也從側面印證了現今所謂的 Agent 應用,有多少成本是花在「因為沒記性而反覆讀取」這種低級工程債上。

【為什麼重要?】
此案例展示了模型成本優化的關鍵不在於換模型,而在於對「內容保留策略」的精準控制。透過將截圖保留數設定為 20 張並擴大文本記憶預算(480,000 字元),Asana 成功讓 89% 的輸入內容來自快取,並以 5% 的單價達成。這不僅將運行時間從至少 22.5 分鐘壓縮至約 4 分鐘,更確立了透過 AI 診斷程式碼邏輯(Codebase Mapping)來執行大規模實驗的可行性。

對於依賴自動化代理程式的系統而言,這類實驗的價值在於將「模型推理成本」轉化為「架構設計決策」。當 89% 的輸入由快取提供時,真正的瓶頸便從模型端的推理效率,轉移到了對上下文記憶(Context History)的長度與穩定性管理上。

【影響對象與建議】
1. AI 應用開發人員:應檢查現行 Agent 工作流中的記憶體管理策略,特別是網頁截圖與文本的快取機制,避免因頻繁刷新造成輸入 Token 的重複計費與時間損耗。
2. 系統架構師:若使用 LLM 代理,建議建立類似「批次刪除」的機制,而非在每一執行步驟即時清理記憶,這能有效降低長期運行的隱形成本並減少重複執行任務的機率。
3. 產品負責人:評估自動化任務的運行開銷時,應將「重複造訪成本」納入指標,並考慮將程式診斷工作分流給 AI 助理,以加速實驗迭代週期。

【逆風觀點】
原文雖強調 76 倍的成本降幅,但這是基於與「原始生產環境(Model B)」的比較。隨著模型版本在 2026 年夏季與秋季持續演進,模型本身的推理單價本就在變化;該數據反映的是「整體工作流優化」後的結果,而非單純歸功於 GPT-6.1 Sol 的模型效能。證據不足以判斷該成本削減在其他未提及的 Agent 類型中是否具備同樣的擴展性。

想更了解這個話題?