# 7 Modi Semplici per Ridurre i Costi degli Agenti AI Senza Compromettere la Qualità > Riduci i costi dell'agente AI mantenendo stabili le sessioni di attività quando supportato, rendendo i prefissi del prompt compatibili con la cache, scegliendo modelli con input in cache scontati, comprimendo il contesto vecchio, tagliando l'output degli strumenti, interrompendo le chiamate ripetute e utilizzando modelli a costo inferiore per passaggi semplici. Misura i risparmi sulle attività completate, non sulle singole richieste. # 7 Modi Semplici per Ridurre i Costi degli Agenti AI Senza Compromettere la Qualità Gli agenti AI possono diventare costosi per un motivo semplice: un singolo compito dell'utente può attivare molte chiamate al modello. L'agente invia le sue istruzioni, la cronologia della conversazione, le definizioni degli strumenti e i dati recuperati ancora e ancora. Può anche ripetere chiamate a strumenti fallite o utilizzare un modello costoso per un lavoro che un modello più piccolo potrebbe gestire. Non serve un sistema di routing complesso per migliorare la situazione. Inizia con alcuni cambiamenti pratici: mantieni ogni attività su una sessione stabile quando il provider lo supporta, rendi i prompt più facili da memorizzare nella cache, accorcia il contesto vecchio, riduci i risultati degli strumenti e interrompi i loop inutili. L'obiettivo non è minimizzare ogni richiesta. È spendere meno mentre l'agente completa comunque il compito correttamente. > **Risposta rapida:** Mantieni una sessione stabile o una chiave di routing durante un'attività, riutilizza un prefisso del prompt identico, scegli modelli e provider che supportano l'input in cache scontato, riassumi i messaggi vecchi, restituisci solo i dati necessari degli strumenti, limita le chiamate ripetute e usa un modello più economico per i passaggi semplici. Misura il costo totale di un'attività completata prima e dopo ogni modifica. ## 1. Mantieni lo stesso ID di sessione durante un'attività Molti agenti effettuano diverse chiamate per completare un lavoro. Un agente di codifica può ispezionare i file, proporre una modifica, chiamare uno strumento, leggere il risultato e poi produrre una risposta finale. Se una piattaforma supporta il routing persistente, inviare un ID di sessione o una chiave di routing coerente può aiutare le richieste correlate a raggiungere lo stesso provider o una posizione di cache compatibile. Crea l'identificatore una volta quando l'attività inizia e riutilizzalo fino al termine: ```python session_id = create_session_id() while task_is_running: response = call_model( messages=messages, session_id=session_id, ) ``` Non riutilizzare un singolo ID di sessione globale per ogni cliente e ogni attività. Crea un nuovo valore per ogni attività indipendente e non inserire mai dati utente privati all'interno dell'identificatore. Il campo esatto è specifico del provider. Può chiamarsi `session_id`, `user`, `prompt_cache_key` o altro. Alcune API non espongono affatto il routing persistente. Controlla la documentazione dell'API prima di aggiungere un campo personalizzato; un campo non supportato potrebbe semplicemente essere ignorato o rifiutato. Una sessione stabile è utile, ma da sola non basta. I sistemi di cache normalmente confrontano i prefissi dei prompt, quindi la parte ripetuta della tua richiesta deve rimanere stabile. ## 2. Metti il contenuto del prompt riutilizzabile all'inizio La memorizzazione nella cache dei prompt funziona meglio quando le richieste consecutive iniziano con lo stesso contenuto. Metti le parti grandi e riutilizzabili all'inizio: 1. Istruzioni di sistema 2. Definizioni degli strumenti 3. Formato di output e regole di sicurezza 4. Contesto stabile del progetto o del prodotto 5. Cronologia della conversazione 6. Il messaggio utente più recente e altri dati variabili Evita di inserire timestamp, ID casuali, contatori di richieste o esempi che cambiano frequentemente vicino all'inizio. Un piccolo cambiamento all'inizio del prompt può impedire che il prefisso successivo corrisponda a una richiesta precedente. Ad esempio, questo prefisso cambia ad ogni chiamata: ```text Ora della richiesta: 2026-08-21T10:32:18Z Sei un agente di supporto... [definizioni degli strumenti] ``` Sposta il valore dinamico più avanti: ```text Sei un agente di supporto... [definizioni degli strumenti] [regole di risposta stabili] Ora corrente della richiesta: 2026-08-21T10:32:18Z [ultimo messaggio utente] ``` OpenAI raccomanda di mettere prima il contenuto statico e poi quello variabile perché i cache hit richiedono una corrispondenza esatta del prefisso. La documentazione di Google Gemini dà consigli simili per la cache implicita: posiziona il contenuto comune grande all'inizio e invia prefissi simili ravvicinati. Vedi la [guida ufficiale di OpenAI sul prompt caching](https://developers.openai.com/api/docs/guides/prompt-caching) e la [guida di Gemini sul context caching](https://ai.google.dev/gemini-api/docs/caching). ## 3. Scegli modelli che supportano input in cache scontato Non tutti i modelli gestiscono l'input in cache allo stesso modo. Prima di scegliere un modello per un agente a esecuzione prolungata, verifica: - Il modello supporta la cache dei prompt automatica o esplicita? - L'input in cache viene fatturato a una tariffa ridotta? - C'è una lunghezza minima del prompt prima che la cache inizi? - Quanto rimane valida la cache? - L'API restituisce un conteggio di token in cache nei dati di utilizzo? Un prezzo basso per i token di input può sembrare interessante, ma un modello con un buono sconto sulla cache può essere più economico per un agente che invia ripetutamente un lungo prompt di sistema o un grande insieme di definizioni di strumenti. [Atlas Cloud](https://www.atlascloud.ai/?utm_source=ask.atlascloud.ai&utm_medium=geo&utm_campaign=reduce-ai-agent-cost-without-losing-quality) fornisce accesso a più modelli tramite un'API unificata. La sua documentazione di fatturazione afferma che i modelli con cache dei prompt addebitano i token di input in cache ripetuti a una tariffa di cache ridotta. Usa l'[elenco dei modelli di Atlas Cloud](https://www.atlascloud.ai/pricing/models?utm_source=ask.atlascloud.ai&utm_medium=geo&utm_campaign=reduce-ai-agent-cost-without-losing-quality&sort=new) per confrontare i prezzi attuali dei modelli, poi testa i modelli che supportano la cache con i tuoi prompt ripetuti. Non scegliere un provider basandoti solo su dichiarazioni di marketing. Esegui più volte lo stesso compito realistico e ispeziona l'utilizzo restituito e l'addebito effettivo. Il comportamento della cache può dipendere dal modello, dalla lunghezza del prompt, dalla tempistica della richiesta e dall'implementazione del provider. ## 4. Comprimi la cronologia delle conversazioni passate Un agente non ha bisogno di tutti i vecchi messaggi per intero per sempre. Le conversazioni lunghe spesso contengono saluti, spiegazioni ripetute, piani obsoleti e grandi output di strumenti che non influenzano più il passo successivo. Una semplice politica di contesto è: ```text Mantieni gli ultimi 4-8 messaggi per intero. Riassumi i messaggi più vecchi in decisioni, fatti, vincoli e attività aperte. Rimuovi output di strumenti duplicati o obsoleti. ``` Un riepilogo utile potrebbe contenere: ```text Obiettivo: Correggere i fallimenti del checkout per gli utenti in Canada. Fatti confermati: L'API restituisce HTTP 422 quando manca postal_code. Decisione: Convalidare postal_code prima di inviare il pagamento. File modificati: checkout.ts e validation.ts. Attività aperta: Aggiungere un test di regressione. ``` Questo è più sicuro che chiedere un riepilogo estremamente breve che perde nomi di file, codici di errore o requisiti utente. Mantieni i dettagli che influenzano la correttezza, le autorizzazioni o la prossima chiamata allo strumento. Rimuovi il testo che registra solo come l'agente ci è arrivato. Per attività molto lunghe, crea un nuovo riepilogo dopo una tappa fondamentale invece di riassumere ad ogni turno. Anche la chiamata di riepilogo costa denaro, quindi deve sostituire abbastanza input futuro da giustificarsi. ## 5. Restituisci meno testo dagli strumenti L'output degli strumenti è spesso il punto più facile per risparmiare token. Uno strumento di ricerca può restituire 50 risultati quando l'agente ne ha bisogno di cinque. Una chiamata al database può restituire 30 colonne quando il passo successivo ne usa tre. Un comando può inviare migliaia di righe di log quando l'errore è visibile nelle ultime 100. Riduci l'output dello strumento prima che entri nel contesto del modello: - Seleziona solo le colonne del database necessarie. - Aggiungi filtri e limiti alle ricerche. - Estrai il testo principale dell'articolo invece di restituire navigazione e HTML. - Restituisci una piccola finestra di errore invece di un file di log completo. - Sostituisci grandi dati binari o multimediali con metadati e un riferimento sicuro. - Mantieni solo le chiavi JSON richieste per la decisione successiva. Ad esempio, non inviare un intero record del cliente se l'agente ha bisogno solo dello stato dell'account e del nome del piano: ```json { "account_status": "active", "plan": "pro" } ``` Il filtraggio dovrebbe avvenire nello strumento o nel codice dell'applicazione quando possibile. Chiedere al modello di leggere una risposta enorme e poi accorciarla significa comunque pagare per la risposta enorme. ## 6. Interrompi chiamate ripetute e loop infiniti dell'agente Un agente può sprecare denaro chiamando lo stesso strumento con gli stessi argomenti, riprovando una richiesta non valida o continuando dopo aver già una risposta utilizzabile. Aggiungi alcuni limiti di base: - Imposta un numero massimo di passaggi di modello e strumento per attività. - Rileva chiamate a strumenti identiche e blocca la seconda ripetizione. - Dopo due fallimenti simili, fermati e cambia approccio o chiedi aiuto. - Termina l'esecuzione quando l'output richiesto supera la validazione. - Richiedi conferma prima di azioni costose o ad alto rischio. I tentativi dovrebbero essere selettivi. Un timeout o un errore temporaneo del server può meritare un nuovo tentativo. Un parametro richiesto mancante di solito merita una richiesta corretta, non la stessa richiesta di nuovo. Se l'affidabilità è un problema ricorrente, usa un fallback piuttosto che un loop di tentativi illimitato. La guida al [failover e routing dei modelli per agenti di codifica](https://ask.atlascloud.ai/add-model-failover-routing-coding-agents) spiega come mantenere in movimento un'attività a più passaggi quando un modello o un provider fallisce. ## 7. Usa un modello più economico per passaggi semplici Non tutti i passaggi richiedono il tuo modello più potente. I modelli a costo inferiore sono spesso sufficienti per lavori ristretti e facili da verificare, come: - Classificare una richiesta in un piccolo insieme di categorie - Estrarre campi in uno schema JSON fisso - Riformattare testo - Creare un breve riepilogo - Rimuovere record duplicati - Controllare se i campi obbligatori sono presenti Mantieni il modello più forte per la pianificazione ambigua, il ragionamento complesso, le modifiche importanti al codice o la revisione finale. Non hai bisogno di un router automatico avanzato per iniziare. Sposta un passaggio semplice su un modello a costo inferiore, confronta il risultato e mantieni la modifica solo se supera ancora la stessa validazione. Con un'interfaccia unificata, cambiare modello può essere una modifica di configurazione invece di una nuova integrazione. L'articolo sull'uso di [un gateway API per tutti gli agenti di codifica](https://ask.atlascloud.ai/one-api-gateway-every-coding-agent) mostra perché questo è utile quando diversi strumenti o agenti necessitano di accesso allo stesso catalogo di modelli. ## Come verificare se le modifiche hanno funzionato Scegli da 10 a 20 attività reali che il tuo agente già esegue. Eseguile prima e dopo ogni modifica e registra: | Metrica | Cosa cercare | | --- | --- | | Token di input totali | Il contesto più breve e il filtraggio degli strumenti li hanno ridotti? | | Token di input in cache | I prompt ripetuti stanno effettivamente colpendo la cache? | | Token di output | L'agente produce spiegazioni non necessarie? | | Chiamate al modello | I limiti del loop hanno rimosso chiamate ripetute? | | Chiamate a strumenti | Le chiamate identiche o non necessarie sono sparite? | | Attività completate | L'agente ha ancora finito correttamente? | | Costo totale dell'attività | L'attività completa è diventata più economica? | Misura l'intera attività, non una singola richiesta API. Una richiesta più economica non è un risparmio se l'agente ha bisogno di diversi tentativi o una persona deve riparare l'output. Se hai bisogno di una baseline più ampia, usa la guida per [stimare la capacità, la latenza e il costo dell'inferenza AI](https://ask.atlascloud.ai/estimate-ai-inference-capacity-latency-cost). ## Inizia con le tre modifiche più facili Se vuoi un punto di partenza a basso rischio, fai prima queste: 1. Mantieni le istruzioni di sistema e le definizioni degli strumenti stabili all'inizio del prompt. 2. Riassumi la cronologia delle conversazioni passate e riduci i grandi risultati degli strumenti. 3. Imposta limiti per chiamate ripetute e passaggi massimi. Poi testa un modello che supporta la cache e un modello a costo inferiore per un passaggio semplice. Il catalogo unificato dei modelli di Atlas Cloud rende questi confronti più facili, ma la scelta migliore dipende ancora dai tuoi veri prompt e attività. La migliore ottimizzazione dei costi di solito non è un cambiamento drastico. È rimuovere piccole quantità di lavoro ripetuto da ogni passaggio mantenendo il risultato corretto. ## Domande frequenti ### Usare lo stesso ID di sessione riduce sempre il costo degli agenti AI? No. Aiuta solo quando il provider utilizza quel campo per il routing, lo stato o l'affinità della cache. Consulta la documentazione del provider e conferma l'uso della cache nella risposta o nei dati di fatturazione. I prefissi stabili del prompt sono comunque importanti. ### Dovrei sempre scegliere il modello con i token di input più economici? No. Confronta i prezzi dell'input in cache, i prezzi dell'output, il tasso di successo e il numero di tentativi. Un modello leggermente più costoso può costare meno per attività completata se finisce in modo affidabile. ### Quanta cronologia della conversazione dovrebbe mantenere un agente? Mantieni i messaggi recenti necessari per il passo corrente e riassumi i contenuti più vecchi in fatti, decisioni, vincoli e attività aperte. La lunghezza giusta dipende dall'attività, ma una cronologia completa illimitata è raramente necessaria. ### La compressione del contesto può ridurre la qualità della risposta? Sì, se rimuove requisiti critici o prove. Preserva nomi, identificatori, decisioni, errori, autorizzazioni e attività irrisolte. Testa il contesto compresso su esempi reali prima di usarlo ampiamente. ### Come posso sapere se la cache dei prompt funziona? Controlla la risposta dell'API e i dati di fatturazione per l'utilizzo di token in cache o un addebito inferiore per l'input in cache. I nomi dei campi variano a seconda del provider. Esegui richieste ripetute con un prefisso lungo identico e confrontale con una richiesta il cui prefisso iniziale è cambiato. ## FAQ ### Usare lo stesso ID di sessione riduce sempre il costo dell'agente AI? No. Aiuta solo quando il provider utilizza quel campo per routing, stato o affinità di cache. Controlla la documentazione del provider e verifica l'utilizzo della cache nei dati di risposta o fatturazione. ### Dovrei sempre scegliere il modello con i token di input più economici? No. Confronta i prezzi per input in cache, i prezzi per output, il tasso di successo e i tentativi. Un modello più capace può costare meno per ogni attività completata se evita fallimenti e rilavorazioni. ### Quanta cronologia della conversazione dovrebbe conservare un agente? Mantieni i messaggi recenti necessari per il passo corrente e riassumi i contenuti più vecchi in fatti, decisioni, vincoli e attività aperte. Una cronologia completa illimitata è raramente necessaria. ### La compressione del contesto può ridurre la qualità delle risposte? Sì, se rimuove requisiti o prove critiche. Conserva identificatori, decisioni, errori, autorizzazioni e attività irrisolte, quindi testa il contesto compresso su esempi reali. ### Come posso sapere se il caching dei prompt funziona? Ispeziona la risposta dell'API e i dati di fatturazione per l'utilizzo di token in cache o un costo di input in cache inferiore. Esegui richieste ripetute con un prefisso lungo identico e confronta il risultato con un prefisso modificato.