Контекст для AI-агентов: как сократить расходы на токены на 60–90% и не потерять контроль над данными

Я — Denis Shokhirev, Enterprise AI architect из Фрайбурга, Германия. В DennisCraft AI Studio я интегрирую AI-агентов для B2B-клиентов DACH на стеке Claude, Supabase, n8n, Doppler и self-hosted Postgres. Когда твой клиент — не стартап, а банк или логистическая компания, каждая строка токенов и каждый байт данных важны. На одном из последних проектов стоимость токенов в RAG-агенте превышала зарплату middle-разработчика за месяц — потому что никто не думал о правильной архитектуре контекста.

Почему расходы на токены выходят из-под контроля

Большинство разработчиков AI-агентов начинают с простого подхода: весь релевантный контент (инструкции, базы знаний, документы) отправляется в prompt или system message. При scale это приводит к экспоненциальному росту затрат: за сутки production-агент может отправить LLM миллионы токенов, не замечая, что половина запросов — повторения. Мой рекорд — 480 000 рублей на токены за месяц для одного промышленного бота.

Где чаще всего теряют деньги

• Статичные инструкции для каждого запроса
• Текстовые документы в system prompt
• Результаты поиска по базе знаний без фильтрации
• Дублирующиеся сообщения между agent steps (например, в n8n workflow)

Архитектурные паттерны для сокращения расходов на токены

Вот конкретные подходы, которые я использую в production-агентах для DACH-клиентов, чтобы снизить расходы на 60–90% без потери качества и контроля над данными.

1. Инкрементальное построение контекста

Не отправляйте всю историю user-agent. Собирайте только минимально необходимый контекст для текущего шага. Пример — в n8n через кастомные nodes для извлечения ключевых фрагментов:

def build_context(messages, required_keys):
    context = []
    for msg in reversed(messages):
        if msg['type'] in required_keys:
            context.append(msg['content'])
        if len(context) >= 4:  # ограничиваем глубину истории
            break
    return "\n".join(reversed(context))

2. Использование Embedding Search вместо полного текста

Вместо отправки целых документов интегрируйте поиск по embedding-индексу (Supabase pgvector, self-hosted Postgres + pgvector). Возвращайте только релевантные абзацы, а не 10 страниц PDF.

from supabase import create_client
supabase = create_client(url, key)
def search_knowledge(query, top_k=3):
    # Embedding запроса
    embedding = get_embedding(query)
    # Поиск по pgvector
    rows = supabase.table("knowledge").select("*").limit(top_k).eq("embedding", embedding).execute()
    return [row['text'] for row in rows['data']]

3. Кэширование промежуточных результатов

Вместо повторного запроса к LLM сохраняйте результаты часто встречающихся prompt-комбинаций в отдельной таблице Postgres или Supabase.

def get_or_generate_answer(prompt_hash):
    answer = db.query("SELECT response FROM cache WHERE hash = %s", (prompt_hash,))
    if answer:
        return answer[0]
    else:
        response = call_llm_api(...)
        db.execute("INSERT INTO cache (hash, response) VALUES (%s, %s)", (prompt_hash, response))
        return response

Контроль над данными: где облачные решения подводят

Для промышленных, финтех- и логистических клиентов DACH региона контроль над данными — не хотелка, а требование регулятора. Я не использую облачные векторные базы (Pinecone, Weaviate), если есть шанс, что данные попадут за пределы EU или будут храниться вне инфраструктуры клиента. Self-hosted Postgres с pgvector — единственный вариант, который проходит аудит.

Безопасность: статический анализ и контроль доступов

Любая оптимизация бессмысленна, если agent утечет данные. Все production-агенты я прогоняю через semgrep и bandit для обнаружения SQL-инъекций и небезопасных вызовов API (см. semgrep.dev, 2024). Доступ к embedding-индексу — только через сервисные аккаунты с ограниченными ролями Supabase или прямым контролем через Postgres GRANT.

FAQ

Стоит ли переходить на self-hosted Postgres ради контроля над данными?

Если у вас DACH-клиенты или финтех, другого выбора нет. Любые облачные embedding-хранилища не проходят аудит и могут привести к штрафам.

Можно ли сжать расходы на токены без потери качества?

Да, при грамотной архитектуре (инкрементальный контекст, embedding search, кэширование). В среднем мои агенты снижают расходы на 65–80% после перехода на эти паттерны.

Какой стек embedding search реально работает в проде?

Supabase с pgvector и self-hosted Postgres — единственный вариант, который стабильно работает под нагрузкой и проходит аудит.

Как мониторить утечки данных через AI-агентов?

Внедряйте статический анализ (semgrep, bandit), логируйте все запросы к embedding-индексу, настраивайте alert-правила по аномалиям доступа.

Что делать, если LLM все равно «спрашивает» лишний контекст?

Жестко ограничивать глубину истории и размер embedding-ответов. Настраивать правила на уровне workflow (например, в n8n), чтобы не передавать лишние блоки.

В каком месте вашей AI-архитектуры расходы на токены оказались неожиданно высокими? Сколько стоила вам эта ошибка? Я провожу бесплатный 30-минутный аудит стека для DACH-команд, которые строят AI в регулируемых рынках. Напишите мне в LinkedIn или на @ger_dennis_ai.