你有没有遇到过这种情况：让AI Agent去跑一个任务，它开始调用工具、读文件、调接口，看着挺勤快。结果一回头发现，Token烧了上万，还调了一个根本没授权的接口。
Agent越自主，越容易失控。今天分享3招，给Agent上"预算约束"。让它能干正事，又不会乱来。全部是可落地的代码片段，拿来就能用。
第一招：Token预算——设个硬上限
Agent的"花销"主要看Token。每次循环都要塞历史上下文进去，越聊越长，成本滚雪球。
最直接的约束：给整个任务设一个Token上限，超了就停。
BUDGET = 50_000 # 整个任务最多允许的 token 数
def run_agent(task, budget=BUDGET):
used = 0
while not done:
prompt_tokens = estimate_tokens(history)
if used + prompt_tokens > budget:
return "预算用完，已停止" # 硬刹车
used += prompt_tokens
step = llm_call(history)
history.append(step)
关键就一句：每次循环前先算账，超了立刻停。别等跑完才发现超支。
第二招：工具白名单——只准调该调的
Agent能调多少工具，决定了它能干多少事，也决定了它能闯多少祸。
别让它全量访问。按任务需要，给它一份白名单：
ALLOWED = ["read_file", "git_status", "run_tests"]
def can_call(tool, *args):
if tool not in ALLOWED:
log.warn(f"拒绝调用未授权工具: {tool}")
return False
return True
写个最小清单。跑单元测试就开测试相关工具，别把"删数据库"这种也放进来。工具越少，越安全。
第三招：成本核算——把钱算明白
预算是Token，但老板看的是钱。把Token折算成成本，设定单任务成本上限。
不同模型单价不同。先用在线工具把单价算清楚。navbox的AI API成本计算器和AI Token计算器能帮你估算单次调用要花多少。
PRICE = {"gpt": 0.003, "claude": 0.005} # 每 1k token 单价
def cost(toks, model):
return toks * PRICE[model] / 1000
# 任务预算 0.2 元，超了就停
if cost(used, model) > 0.2:
stop("成本超出预算")
落地顺序
- 先定Token预算，这是最硬的约束
- 再收窄工具白名单，只开必要的
- 最后把成本换算进来，设单任务上限
三步走完，Agent就从一个"放飞的实习生"，变成"有预算、有权限、有考核"的正式工。
你给Agent设的预算，够它跑完最贵的那个任务吗？