一位开发者在 Linux.do 社区分享了一次失败的自动化测试经历，揭示了 AI Agent 在缺乏成本控制时的风险。该开发者利用某 AI 服务的赠金余额，尝试调用 10 个不同的模型对代码进行自动审查。为了保证审查任务的完成率，用户编写了一个脚本或 AI Agent（智能体）进行“自动巡查”，旨在监控并重启失败的任务。然而，系统遭遇了技术瓶颈：当使用的 GLM 模型输出内容过长被截断时，自动巡查机制错误地将其判定为任务失败。触发重试逻辑后，系统要求 AI 从零开始重新审查，而非从中断处续写。由于输出过长是持续存在的现象，该审查任务陷入了“开始-截断-重试-开始”的死循环。这一逻辑漏洞导致后台不断发起 API 请求，最终在短时间内将账户内的 68 元赠金全部消耗殆尽。这一案例生动展示了 AI 自动化流程中缺乏成本熔断机制和错误处理策略的风险。
事件分析
此次事件本质上是 AI Agent（智能体）在处理长文本生成时缺乏鲁棒性的典型案例。在当前的大模型应用开发中，输出截断（Context Cutoff）是常见问题，许多开发者通过简单的“重试”机制来规避，但往往忽略了“中断续写”与“全量重跑”的成本差异。事件暴露了当前 AI 自动化工具在开发流程中的双重风险：一是对大模型生成能力的不可控性（如 Token 限制导致的截断），二是缺乏有效的成本控制熔断机制。当自动化脚本遇到非预期的错误状态时，简单的线性重试逻辑极易演变为资源耗尽攻击。这提示开发者在构建 AI Agent 时，必须设计完善的异常处理流程，例如设置最大重试次数、明确的预算上限或断点续传机制。此外，也反映了当前 API 计费模式对开发者调试成本的压力，推动了对更灵活计费或沙盒测试环境的需求。
核心观点：缺乏成本熔断与断点续传能力的 AI Agent，在处理长文本截断等异常时，极易从效率工具演变为昂贵的资源空耗器。
原文链接：Linux.do
