Agent 跑 CI，Token 烧得比服务器还贵，这不是段子而是不少团队的日常。GitHub 最近公开了一组数据：通过裁剪无用 MCP 工具、把部分 MCP 调用换成 gh CLI、再配上每天自动跑的审计与优化 Agent，他们的 agentic CI 工作流 Token 开销最高降了 62%。做法并不玄学，拆开看每一步都是工程决策。
MCP 工具不是越多越好——裁掉不用的，Token 立刻省下来
MCP（Model Context Protocol）让 Agent 能调用外部工具，但问题在于：每次 Agent 拿到工具列表，这些工具的描述、参数 schema、示例都会作为上下文灌进 prompt。一个 20 个工具的 MCP server，光工具定义就可能吃掉几千 Token——哪怕 Agent 本次任务只用其中 1 个。
GitHub 的做法很直接：审计每个 MCP 工具的实际调用频率，把长期零调用的工具从配置里移除。这不是一次性动作，而是持续进行。工具列表精简后，Agent 每次请求的 system prompt 体积缩小，输入 Token 减少，输出也更聚焦——不会在无关工具上"犹豫"。
实际效果：某些工作流仅靠裁剪 MCP 工具，Token 开销就降了两位数百分比。
MCP 调用换成 gh CLI——更少的中间层，更少的 Token
MCP 的好处是标准化，但标准化本身有成本。一次 MCP 调用链路：Agent → MCP client → MCP server → GitHub API，中间每一层都有协议开销、错误处理、结果格式化——这些全要 Token 来"解释"和"理解"。
GitHub 发现，很多操作直接用 gh CLI 完成更划算。比如创建 PR、查看 CI 状态、合并分支，gh pr create、gh run view 一行命令搞定，Agent 只需要读命令的 stdout，不需要经过 MCP 的 JSON-RPC 协议封装和解析。
关键判断标准：如果一个操作是高频的、结构简单的、CLI 已经覆盖的，优先用 CLI；只有需要复杂交互、多步编排、或 CLI 不支持的场景才走 MCP。这不是"去 MCP"，而是让 MCP 只出现在它真正发挥价值的地方。
日审计 + 日优化——两个 Agent 把成本管控变成自动化流程
手动看 Token 账单发现问题，周期太长、反应太慢。GitHub 的方案是跑两个轻量 Agent：
- Auditor Agent：每天扫描 Token 使用日志，按模型、按工作流、按工具维度汇总，找出异常飙升或回归。它输出的核心指标叫 Effective Tokens——不是原始 Token 数，而是扣掉冗余上下文后的"有效消耗"，更真实地反映成本效率。
- Optimizer Agent：拿到 Auditor 的报告后，自动生成优化建议：哪些 MCP 工具可以裁掉、哪些调用可以换成 CLI、哪些 prompt 模板可以精简。人工确认后落地。
两个 Agent 本身也消耗 Token，但因为只跑一次/天、任务单一，开销远小于它们省下来的量。
实操：搭一个最小化的 Token 审计流水线
下面给一个可以直接跑的示例——用 GitHub Actions 每天记录 Token 使用、计算 Effective Tokens、输出裁剪建议。你可以在此基础上扩展成自己的 Auditor + Optimizer。
1. 定义 token-usage.jsonl 的记录格式
每次 Agent 任务完成后，往 artifact 里追加一行 JSONL：
{"date":"2025-07-10","workflow":"pr-review","model":"gpt-4o","input_tokens":8200,"output_tokens":1200,"mcp_tools_available":18,"mcp_tools_called":2,"cli_calls":3,"task":"review-pr-1234"}
{"date":"2025-07-10","workflow":"pr-review","model":"gpt-4o","input_tokens":9100,"output_tokens":1500,"mcp_tools_available":18,"mcp_tools_called":1,"cli_calls":4,"task":"review-pr-1235"}
核心字段：mcp_tools_available vs mcp_tools_called 的差值，就是裁剪空间。
2. Auditor 脚本——扫描日志、计算 Effective Tokens、输出报告
#!/usr/bin/env python3
"""daily_token_auditor.py — 每日 Token 审计脚本"""
import json
import sys
from pathlib import Path
from collections import defaultdict
def load_records(path: str) -> list[dict]:
records = []
with open(path) as f:
for line in f:
line = line.strip()
if line:
records.append(json.loads(line))
return records
def effective_tokens(rec: dict) -> int:
"""Effective Tokens = 实际输出 + 被调用的工具输入估算
未被调用的 MCP 工具描述视为冗余上下文，不计入有效消耗"""
# 假设每个可用 MCP 工具描述约 200 tokens
TOOLS_DESC_TOKENS = 200
redundant = (rec["mcp_tools_available"] - rec["mcp_tools_called"]) * TOOLS_DESC_TOKENS
return rec["input_tokens"] - redundant + rec["output_tokens"]
def audit(records: list[dict]) -> dict:
report = defaultdict(lambda: {"total_input": 0, "total_output": 0,
"total_effective": 0, "total_raw": 0,
"tools_available": 0, "tools_called": 0,
"count": 0})
for rec in records:
key = (rec["workflow"], rec["model"])
r = report[key]
r["total_input"] += rec["input_tokens"]
r["total_output"] += rec["output_tokens"]
r["total_effective"] += effective_tokens(rec)
r["total_raw"] += rec["input_tokens"] + rec["output_tokens"]
r["tools_available"] += rec["mcp_tools_available"]
r["tools_called"] += rec["mcp_tools_called"]
r["count"] += 1
# 生成裁剪建议
suggestions = []
for (wf, model), r in report.items():
waste_ratio = 1 - r["total_effective"] / r["total_raw"] if r["total_raw"] else 0
avg_unused = (r["tools_available"] - r["tools_called"]) / r["count"]
if waste_ratio > 0.15:
suggestions.append(
f"[裁剪建议] {wf}/{model}: 冗余率 {waste_ratio:.1%}, "
f"平均每次任务有 {avg_unused:.0f} 个 MCP 工具未被调用，建议移除"
)
if r["tools_called"] < r["count"] * 1.5 and avg_unused > 3:
suggestions.append(
f"[换CLI建议] {wf}/{model}: MCP 调用频率低（均 {r['tools_called']/r['count']:.1f} 次/任务），"
f"检查是否可用 gh CLI 替代"
)
return {"per_workflow_model": dict(report), "suggestions": suggestions}
if __name__ == "__main__":
records = load_records(sys.argv[1] if len(sys.argv) > 1 else "token-usage.jsonl")
result = audit(records)
print(json.dumps(result, indent=2, ensure_ascii=False))
# 保存报告供后续 Optimizer Agent 读取
Path("audit-report.json").write_text(json.dumps(result, indent=2, ensure_ascii=False))
运行方式：
python3 daily_token_auditor.py token-usage.jsonl
输出示例：
{
"per_workflow_model": {
"('pr-review', 'gpt-4o')": {
"total_input": 17300,
"total_output": 2700,
"total_effective": 9900,
"total_raw": 20000,
"tools_available": 36,
"tools_called": 3,
"count": 2
}
},
"suggestions": [
"[裁剪建议] pr-review/gpt-4o: 冗余率 50.5%, 平均每次任务有 16 个 MCP 工具未被调用，建议移除",
"[换CLI建议] pr-review/gpt-4o: MCP 调用频率低（均 1.5 次/任务），检查是否可用 gh CLI 替代"
]
}
3. GitHub Actions 每日定时跑审计
name: Daily Token Audit
on:
schedule:
- cron: '0 6 * * *' # 每天 UTC 6:00
workflow_dispatch: # 也支持手动触发
jobs:
audit:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- name: Download yesterday's token-usage artifact
uses: actions/download-artifact@v4
with:
name: token-usage-jsonl
path: ./data
- name: Run auditor
run: |
python3 daily_token_auditor.py ./data/token-usage.jsonl
- name: Upload audit report
uses: actions/upload-artifact@v4
with:
name: audit-report
path: audit-report.json
- name: Post suggestions to Slack (optional)
if: always()
run: |
SUGGESTIONS=$(python3 -c "
import json; r=json.load(open('audit-report.json'));
print('\n'.join(r['suggestions']) if r['suggestions'] else '今日无裁剪建议')
")
# 替换为你的通知方式
echo "::notice::${SUGGESTIONS}"
这个流水线每天自动跑，你只需要看 suggestions 就知道该裁哪个 MCP 工具、该换哪个 CLI。
落地前想清楚的三件事
-
裁剪粒度按工作流来，不是一刀切。PR review 用到的 MCP 工具和 issue triage 完全不同，分别审计、分别裁剪。全局裁掉某个工具可能误伤其他工作流。
-
Effective Tokens 是内部指标，不是计费指标。你的账单还是按原始 Token 算。Effective Tokens 的价值在于横向对比——同一工作流换模型后效率是否下降、裁剪后冗余率是否回升。它帮你做决策，不帮你砍账单数字。
-
Optimizer Agent 的建议要人工确认。自动建议可以省时间，但"把某个 MCP 工具移除"这个动作一旦落地，Agent 就真的不能再调用它了。确认环节不可省略，否则可能裁掉低频但关键的工具。
GitHub 这套做法的核心逻辑并不复杂：测量 → 发现冗余 → 裁剪 → 换更轻的路径 → 每天重复。复杂的是坚持做。Token 成本在 agentic 工作流里是持续变量，今天最优的配置下个月可能就过时——只有把审计变成日常流程，62% 的降幅才不是一次性的运气，而是可维持的工程结果。