Agent 工程 / 推理成本与质量
推理力度可以按请求调：AWS 给出可判分的 Agent 成本实验
来源事实：AWS 在 Amazon Bedrock 上用 Grok 4.7 构建工具调用 Agent，在三个可穷举验证唯一正确答案的合成任务中，按四档推理力度各运行六次，共 72 次。总计 67 次答对；xhigh 为 18/18，low 为 15/18。平均输出 token 从 low 的 1,184 增至 xhigh 的 9,147（7.7 倍），工具调用数则基本持平（每次 17.2–18.7 次）。AWS 明确指出每档样本量小、任务为合成环境，结果只是方向性观察，不能替代真实业务复测。
关注 / 采用证据：这不是用户采用率指标；可验证的信号是 AWS 公布了任务定义、自动判分、重复次数和 token/工具调用测量方法，读者可照此建立自己的任务评估。
为什么重要（编辑判断）：如果不同步骤可独立设置 effort，Agent 可把高推理预算留给搜索、约束求解和验证，把格式整理等机械步骤降档。真正可迁移的是“按任务测准确率与 token”，而不是把这组小样本结果当作普遍性能承诺。
官方技术实验72 次运行 · 3 个合成任务最高档 token 为低档 7.7 倍真实业务外推受限