10月24号上线的Kimi K3.1 Pro，仅进入第三日就让部分会员感到不划算。付费用户发现请求被频繁限流，并且月度配额消耗速度异常：有人跑一个大任务还没收尾，整月额度便已用光。
10月26号凌晨，官方公开发文致歉，原话是：“对于近期 Kimi 会员使用 K3.1 Pro 时出现的限流及不必要的额度消耗，向大家致歉。问题出在我们，我们也本应更早修复。”
补偿方案设得更直接：全部会员额外获赠当前月度额度的25%，大致相当于一周的用量；若本月已消耗不足25%，额度直接重置重算。道歉内容中最具技术信息量的一句是：“已调整配置，并正在减少不必要的子 Agent 调用和输出长度，让同样的额度完成更多实际任务。”
换言之，费用高低并不取决于模型本身贵不贵；真正持续消耗额度的，是子 Agent 的调用数量与输出内容长度。一家模型厂商用自己的 Agent 系统，在自家最新模型上运行，最终把自家会员额度消耗一空。这件事比讨论新模型的好坏更有价值，所有搭建过多 Agent 流程的团队，大概都遇到过同一个问题。
子 Agent增加并行能力的同时，启动消耗会成倍增长
许多人将开启多个 Agent 视为并行加速，实际体验也确实更快，但成本计算方式完全不同。每个子 Agent 启动时都要独立加载整套上下文：系统提示、规则文件、工具定义与项目状态均不可省略。
有开发者实测，在 19 个子 Agent 的规模下，单个 Agent 首次请求便向缓存写入 1.2 万至 4 万 token，全部从零开始写入；另一份公开报告则按整个运行周期统计，单个子 Agent 累计消耗 6.6 万至 8.4 万 token。也就是说，在状态还没真正建立起来、没开始干活时，初始 token 消耗已经记在账上。若只是派它处理只需三行代码即可处理的事务，这部分成本就白白浪费了。
嵌套还能进一步放大开销：一个 Agent 派生出子 Agent，子 Agent 又继续往下派生，每多一层都要重新支付一遍启动费，同时转录上层已有的上下文。三层下来成本并非线性的 3 倍，而是呈指数增长。
Anthropic 自己在复盘中给出的量级是：多智能体的 token 消耗大约相当于普通对话的 15 倍。把这些指标放入订阅制环境中对照，问题就很清楚：订阅套餐的容量是按“正常用户的使用量”设置的，而 Agent 的消耗曲线从不按人的使用习惯增长。
官方所谓的“减少”涉及四项可落地操作
道歉文中的两条“减少”——减少不必要的子 Agent 调用、减少输出长度——具体落地时对应四项操作，按见效快慢排列如下。
最末位的操作：精简MCP服务列表。凡接入的 MCP 服务都会向上下文添加内容；目前客户端多采用延迟加载机制，未被调用时仅存入名称与说明，但那些早已废弃的服务仍挂在列表里，每次请求都会一并带上。抽空检查一遍列表关闭闲置项，配置不会丢失，需要时重新启用即可。另一条经验是优先使用命令行而非 MCP：gh、aws、gcloud 这类工具让模型直接执行命令，不会常驻占用任何上下文，比再封装一层 MCP 需要付出的成本更低。
第三项操作看似次要：为子 Agent 独立指定参数与输出规范。这是最易被忽略、同时浪费相当明显的环节。派 Agent 检索代码、翻阅日志或进行初步筛选时，未必需要最强模型，在配置中为其指定成本更低的型号，支出即可大幅下降。输出格式必须提前固定下来，不能模糊地要求“给我一份完整报告”，而应明确限定“只返回失败的测试名与三个文件路径”——这些返回内容最终送回主上下文，只要子 Agent 的输出篇幅多出一行，主会话后续每一轮都要为此重复计费，提前约束输出格式本身就能控制成本。另有一个容易忽略的问题：全部子 Agent 的描述文本都会进入上下文，模型借此判断是否分派任务；如果描述写进过多词句，仅生成描述并向模型加载的介绍就会占用数千 token。细节应放进 Agent 自身的提示词，因为那部分内容只有运行时才会被加载。
第二项收益可观：卸掉常驻规则文件的细节。不少项目的规则文件中塞进了大量静态说明：目录结构、依赖清单、架构概览、常用代码片段。设计初衷是让模型省事、准确，却变成每次请求都要再次支付的固定成本。可以用一个标准来判断某一行：“删掉它，模型会做傻事吗？”只需显式写出代码本身难以传达的内容即可。代码库自身就能向模型展示的内容，不必人工再描述一次。应留下的通常是那些从代码里读不出的上下文：此前遇到的问题、关键设计的考虑理由、和工具默认行为不一致的地方。官方文档曾建议规则文件控制在两百行以内面向，而仅在特定场景用到的知识，可以归入按需加载的技能目录：描述常驻，正文留到匹配触发条件时再进入上下文。
首要操作是先摸清支出：为 Agent 设置总量预算并根据预算干预。大多数工具默认只限制“同时运行几个”，这更多体现出并发方面的安全性限制，而不是针对成本的限制。开到 20 并发的话，消耗可以相差极大——跑满之后，每个并发花费多少完全是另一码事。实际可用的限制措施至少包括四项限制：预算限制与单次请求限。
这里的网关对单次或单日支出设硬性上限，达到阈值即中止，避免发现时额度已经耗尽。另外三项限制分别针对不同类型的风险：递归限制用于阻止子 Agent 继续向下派生任务，或限制嵌套层级；重试限制规定同一工具连续失败三次后便停止——反复重试同一个错误属于最常见的失控路径；时长限制则规定无人值守的任务按时间分段主动报告，不允许整个通宵连续不停地持续执行并耗尽费用而不作提示。
已有开发者将这些策略封装成插件，其默认规则大致包括：本机同时运行的 Agent 数量达到四个、单个子 Agent 的 token 用量在十分钟内突破一千万、十分钟内新生成了十个或更多 Agent，全部需要由人工确认才可放行。
这些具体阈值的合理性也许还可以继续商量，但背后的思路是正确的：该不该继续花费，应交由人来回答，不应让模型独断。
不用改配置：三件事就能找出可精简的 Agent
想低风险验证效果，可以先依据审计判断而暂不改动代码。找出近期一件“先后分派出去多项角色、而且分工事项较多却仍积压许多”的会话，然后查看三个数值：这轮一共耗掉多少额度；每个子 Agent 首次请求究竟产生多少消耗，这属于属于任务启动产生的启动费用余下额度多寡等，直接读取换算或许最直观；重点识别启动费用占主要部分占比较高较错所中的“启动费占大头、请求数只有个位数”的类型。这种类型通常实际有发出请求就放弃调用，如果发现这种，就是可以最先去掉的，比较数据也更明白，不费多少代价却长期重复反复可以继续使用相同的任务较长时间而发现大笔大额少掉一半就会变成直接发现不值得花大费用最突出。
不应只看作额度低这类单一家平台的故障
这件事不宜仅看成仅一家厂商偶尔出现可应付之类偏差，订阅面对“单人正常消耗多少额度”可面对 Agent 的消耗不按这种节奏变动
Kimi这轮的提醒力：平台本身不是为这些可被机械执行的自动化任务准备额度被会突然倍增增长最后很快自动离开模型正常边界而出问题早晚发生。
小结：额度消耗问题与传统认知不同，烧穿订阅额度的源头多半都出在 Agent 账本里——多分身复核，或在调用不匹配上下文里循环执行这些不起眼的部分先把代价迅速抬高，而背后可实测（参考 An anthropic agent 的汇总用量平均翻倍到对话 15 倍），即无论基础本身的报价多么的让人看起来可接受也都会吃紧。