# 造一个约 6000 token 的大 system 上下文BIG=$(python3 -c "print('你是一个资深工程师。以下是项目规范:'+ '规则条目。'*2000)")# 连发两次完全相同的请求,盯 cached_tokens 的变化for round in 1 2; do echo "=== 第 $round 次 ===" curl -sS "$LY_BASE/chat/completions" \ -H "Authorization: Bearer $LY_KEY" -H "Content-Type: application/json" \ -d "$(jq -n --arg m "$LY_MODEL" --arg s "$BIG" \ '{model:$m,messages:[{role:"system",content:$s},{role:"user",content:"回复ok"}]}')" \ | jq '.usage.prompt_tokens, .usage.prompt_tokens_details.cached_tokens' sleep 2done
你觉得呢？" 每一个问题都带推荐答案，你只需要点头或摇头。6 个问题、2 分钟，所有模糊点变成了明确的科技决策。
不对！它根据你的历史数据、上下文、你之前的记录等信号，改写成它认为高概率的查询。
但 Agent 是「执行命令 → 拿结果 → 决定下一步」的循环，如果在同一次工具调用里既要输出登录链接又要轮询，链接就没法通过模型返回给用户，从而阻塞整个会话。