AI自动清理代码仓库，听起来很美好，直到账单来了。

GitHub Agentic Workflows就像一支自动扫街队，专门处理仓库里的琐碎问题。但这类CI任务自动触发、默默运行，成本往往在看不见的地方累积。2026年4月，GitHub团队开始系统性地优化自家仓库的token消耗——不是实验室项目，是每天跑几百个工作流的真实负担。

打开网易新闻 查看精彩图片

第一个难题是数据。Claude CLI、Copilot CLI、Codex CLI各自的日志格式都不一样，历史数据还残缺不全。团队利用agentic-workflows的安全架构特点：所有请求都经过API代理，而非直接访问凭证。这个代理成了统一采集点，无论底层用什么框架，都能输出标准化的token-usage.jsonl——每条记录包含输入token、输出token、缓存读写token、模型、供应商和时间戳。

有了数据，团队部署了两套每日自动化流程。

第一套是Token用量审计器。它读取近期工作流的token消耗，按工作流聚合，生成结构化报告。核心任务有三项：标记近期用量显著上涨的工作流、列出最昂贵的任务、捕捉异常运行（比如平时4轮LLM交互完成的工作流突然跑了18轮）。

第二套是Token优化器。当审计器标记出问题工作流，优化器自动分析其源码和近期日志，创建GitHub issue——不是泛泛的"请优化"，而是指出具体低效点并给出可执行的修改建议。很多隐患就是这样被发现的，人工审查很难覆盖。

这套机制的关键前提是：开发者会话难以预测，但agentic工作流的全流程写在YAML里，每次执行重复相同路径。这种确定性让优化成为可能。

GitHub团队形容自己的状态是"边飞边造飞机，边烧燃料"——在真实API限流和日常维护压力下迭代。这篇文章只讲了监控和优化机制的建立，具体省了多少钱、改了哪些YAML配置，作者留到了下一篇。