4.3 会议效率审计：性能评估与优化

4.3 会议效率审计：性能评估与优化

本节摘要：会议式协作的开销主要不在单次调用，而在轮次累积。本节给一场会议立三本账——轮次账、调用账、token 账，教你从日志算出每本账，再给出三个命中率最高的优化手段：议题分层、记忆瘦身、验收前置。读完你能对任何一份日志说出"钱花在哪、哪轮最亏"。

本节承接 4.2：跑通了，开始算账。会议效率审计的对象不是模型速度——模型快慢你控制不了——而是会务浪费：重复装载的上下文、可并行却串行的议题、不产生信息增量的表态轮次。这些才是你能优化的部分。

一、三本账：从日志算出开销结构

轮次账：会议开了多少拍

轮次是第一账本。从日志数出三类轮次：生产轮次（产生新信息：工具调用、计算、写作）、表态轮次（纯验收与确认）、循环轮次（同一议题反复出现）。健康会议的生产轮次应占六成以上；循环轮次超过两成，必有议题粒度或验收标准的问题。

def audit_turns(log_lines: list) -> dict:
    """轮次账：把日志轮次分类统计。
    log_lines: 每项形如 '轮次07|浏览器专家|T2受阻...' 的日志行"""
    from collections import defaultdict
    counter = defaultdict(int)
    for line in log_lines:
        text = line.split("|", 2)[-1]
        if any(k in text for k in ("受阻", "重试", "再次尝试")):
            counter["循环轮次"] += 1
        elif any(k in text for k in ("验收", "确认", "达标")):
            counter["表态轮次"] += 1
        else:
            counter["生产轮次"] += 1
    total = sum(counter.values())
    loop_ratio = counter["循环轮次"] / max(total, 1)
    verdict = ("循环占比过高，先查议题粒度" if loop_ratio > 0.2
               else "轮次结构健康")
    return {**dict(counter), "总轮次": total, "诊断": verdict}

# 输出：
# audit_turns(["轮次01|主持人|议题转写", "轮次02|主持人|派单",
#              "轮次03|浏览器专家|T2受阻，重试", "轮次04|浏览器专家|再次尝试失败",
#              "轮次05|主持人|验收达标"])
# -> {'循环轮次': 2, '表态轮次': 1, '生产轮次': 2, '总轮次': 5,
#     '诊断': '循环占比过高，先查议题粒度'}
​

调用账：谁花得最多

第二账本按工具与模型分别计数。工具调用的开销在真实副作用（浏览器会话、执行时长），模型调用的开销在 token。分别计数后，优化目标会自己浮出来——比如"搜索调用 22 次，其中 9 次是同义改写重查"。

token 账：上下文里的头号房客

第三账本看每轮上下文的构成。方法是把每轮送入模型的文本按来源分桶：系统提示词、议题卡、历史对话、工具回报、召回记忆。多数会议里，工具回报是头号房客（整页网页文本动辄数千字），其次是历史对话。

def token_basket(turn_payloads: list) -> dict:
    """token 账：按来源分桶估算上下文构成。
    turn_payloads: 每项 {'来源': ..., '字符数': ...}"""
    from collections import defaultdict
    basket = defaultdict(int)
    for p in turn_payloads:
        basket[p["来源"]] += p["字符数"]
    total = sum(basket.values())
    top = max(basket, key=basket.get)
    return {"分桶": dict(basket), "总量": total,
            "头号房客": f"{top}（占 {basket[top]*100//max(total,1)}%）"}

# 输出：
# token_basket([{'来源': '系统提示词', '字符数': 800},
#               {'来源': '历史对话', '字符数': 4200},
#               {'来源': '工具回报', '字符数': 9600},
#               {'来源': '召回记忆', '字符数': 900}])
# -> {'分桶': {'系统提示词': 800, '历史对话': 4200, '工具回报': 9600, '召回记忆': 900},
#     '总量': 15500, '头号房客': '工具回报（占 61%）'}
​

二、三个命中率最高的优化手段

优化一：议题分层并行

4.2 案例里已经验证过：把串行巨单按依赖分层（2.4 的分层算法）后，轮次降四成。这是零成本优化——不改任何配置，只改议题卡的组织方式。

优化二：记忆瘦身——工具回报先摘要再入史

工具回报是头号房客，但原始回报又必须完整（演算席的算式不能删）。解法是分层入史：入上下文的是摘要，入任务记忆的是全文。主持人需要细节时，按 2.5 的检索记忆取回，而不是永远背着全文跑。

def slim_tool_report(full_text: str, keep_fields: set) -> str:
    """工具回报瘦身：上下文只留验收必需字段。
    full_text: 完整回报；keep_fields: 本轮验收必需的字段名"""
    kept, dropped = [], 0
    for line in full_text.split("\n"):
        if any(f in line for f in keep_fields):
            kept.append(line)
        else:
            dropped += 1
    kept.append(f"[略去 {dropped} 行过程明细，全文已存任务记忆]")
    return "\n".join(kept)

# 输出（节选）：
# slim_tool_report("价格1: 99元/月\n价格2: 299元/月\n网页导航过程...30行",
#                  {"价格"})
# -> '价格1: 99元/月\n价格2: 299元/月\n[略去 30 行过程明细，全文已存任务记忆]'
​

优化三：验收前置——把返工轮次消灭在开工前

循环轮次的最大来源是"做完才发现不合格"。验收标准写在议题卡里（2.4 四要素法）后，专家开工时就知道终点的样子，返工率显著下降。给一个量化视角：一次返工至少两轮（退回加重做），议题卡多写二十字，可能省下四轮。

def optimize_priority(audit: dict) -> list:
    """按审计结果给出优化动作的优先级排序。"""
    actions = []
    if audit.get("循环轮次", 0) > audit.get("生产轮次", 1) * 0.3:
        actions.append("P0 验收前置：重写议题卡的标准字段")
    if "工具回报" in audit.get("头号房客", ""):
        actions.append("P1 记忆瘦身：工具回报摘要入史")
    if audit.get("串行议题"):
        actions.append("P2 议题分层：按依赖并行下发")
    return actions or ["无高优先级优化项"]

# 输出：
# optimize_priority({"循环轮次": 5, "生产轮次": 10, "头号房客": "工具回报"})
# -> ['P0 验收前置：重写议题卡的标准字段', 'P1 记忆瘦身：工具回报摘要入史']
​

三、什么不该优化

两条反直觉的边界，帮你省下无效的折腾：

• 别压缩表态轮次到零。表意轮次看似浪费，实为审计留痕（2.2 的可追溯性）。全砍掉的会议一旦出事，你连"谁验收的"都查不到。
• 别为省 token 换小模型扛全程。轮次越多，弱模型的每轮出错概率累积越狠——末段返工的账单会吞掉前面省下的所有差价。省 token 的正道是记账与瘦身，不是降智。

💡 关键直觉：会议开销的公式是"轮次 × 每轮上下文体量"。优化手段千千万，都落在"减轮次"或"减体量"两个因子上；对着日志找到最肥的那个因子，就找到了你的最大优化项。

案例展开：一场会的完整记账与两轮优化

背景：贯穿案例完整任务首轮跑完，三本账如下——轮次账 23 轮（循环 6、表态 5、生产 12）；调用账显示浏览器会话 7 次、搜索 9 次；token 账显示工具回报占 61%。操作：第一轮优化上 P0（验收前置，重写两张议题卡的标准字段）与 P2（议题分层），复跑得 16 轮，循环轮次归 1；第二轮上 P1（回报瘦身），单轮上下文体量降四成，全任务 token 总量从基准的约 1.6 倍降到 0.9 倍。结果：同样质量的纪要，开销近乎减半。解读：注意优化顺序——先消灭返工（减轮次），再瘦身（减体量），顺序反了则瘦身的效果被返工吃掉。

变式：若你的任务对延迟敏感（用户在等结果），把"轮次"换成"墙钟时间"做主账本：并行议题的收益不变，表态轮次可适当合并（两三个验收并成一轮表态），但每轮的验收范围要写明。

本节要点回顾

• 三本账：轮次账看结构（生产六成以上为健康）、调用账看副作用、token 账看上下文构成；
• 头号房客常是工具回报：摘要入史、全文入记忆，需要时再取回；
• 优化优先级：先验收前置消灭返工，再议题分层，最后记忆瘦身；
• 不该优化的两处：表态轮次别清零（审计留痕），别用降智换 token；
• 下一节讲"标准会议装不下的需求"：怎么增补与会名单而不动框架内核。