8 способов сократить расходы на AI-агентов: опыт вайбкодера и готовые промпты

Автор — соло-фаундер, который уже третий месяц развивает веб-приложение с мультиагентной архитектурой: агенты собирают данные пользователя, помогают формулировать цели, проводят чек-ины и имитируют питчи инвесторам. Все они координируются через общий профиль, цели и журнал событий, а не общаются напрямую.

Ключевая проблема: каждый ответ агента заставляет LLM перечитывать всю историю диалога и накопленный контекст, что быстро съедает бюджет на токены. Anthropic предлагает механизм «памяти» — можно указать, какие куски диалога не нужно перечитывать, но у этой памяти есть срок годности. Именно грамотное использование этой фичи дало основную экономию.

В статье собраны 8 конкретных приёмов — от настройки системных промптов до организации контекста между агентами. Приводятся готовые промпты, которые можно адаптировать под свои проекты. Материал будет полезен всем, кто строит агентные системы и хочет снизить затраты на инференс без потери качества.

Юлия называет себя «вайбкодером» — разработчиком, который использует ИИ как основной инструмент для создания продуктов. Её опыт показывает, что даже сложная мультиагентная система может быть экономичной при правильной архитектуре.