Asana浏览器代理成本降低76倍

背景：浏览器代理的效率瓶颈

Asana通过其收购的StackAI平台，帮助客户在无需编写代码的情况下构建自动化工作流，这些工作流能够浏览网站、填写表单并收集信息。然而在Asana的业务规模下，这些工作流中微小的效率问题会被急剧放大。StackAI首席技术官Frank Hidalgo博士着手让浏览器代理运行得更快、成本更低。他指导Codex中的GPT-6 Astra对代理进行调研、测试改进方案并对比结果。据他估计，这项工作若手动完成需要一到两个月，而借助AI辅助仅用了约一周时间。

核心发现：缓存策略的缺陷

Hidalgo首先使用Codex中的GPT-6 Astra来梳理代码库，解释代理如何构建每次模型请求。GPT-6 Astra发现了一个关键问题：代理虽然缓存了固定指令和工具定义，但并未缓存不断增长的页面文本和截图历史记录，导致每次请求都以全价重新发送这些历史数据。此外，代理几乎在每一步都会丢弃旧截图并裁剪文本。每次编辑都会改变历史记录，因此仅缓存历史本身并无帮助，而丢失这些信息可能导致代理需要重新访问已读取过的页面。

三项优化措施

Hidalgo审查了GPT-6 Astra提出的修复方案，并选择其中三项进行测试：

• 将缓存扩展到代理的浏览历史记录
• 增加可保留的文本量
• 批量移除截图，而非在每一步都移除

由于代码并非为受控实验而设计，GPT-6 Astra首先进行了快速测试以确定哪些变量最为关键。

测试结果与业务价值

Asana的144次运行研究测试了GPT-6.1 Sol以及其他三个前沿模型（此处称为模型A、B和C）。在GPT-6.1 Sol上形成的优化工作流平均每次运行估计模型成本为0.47美元，耗时约四分钟，相比原先在模型B上的生产设置，成本降低76倍，速度提升5倍。Asana首席产品官Arnab Bose表示：“这就是人类与代理团队协作的实际样貌。工程师设定方向，GPT-6 Astra运行实验，结果通过Command进入生产环境。这展示了Asana如何将人类与代理团队变为现实。”

对行业的启示

这一案例揭示了AI代理优化的几个关键原则：首先，缓存策略需要覆盖动态增长的历史数据，而不仅仅是静态指令；其次，上下文管理需要在信息保留与成本控制之间找到平衡；最后，AI辅助的代码审查和实验设计能够将数月的工程工作压缩到数天。对于构建浏览器代理或类似自动化工作流的团队而言，Asana的实践提供了一个可复用的优化框架：先映射代码库理解请求构建逻辑，再识别缓存和上下文管理的低效环节，最后通过受控实验验证改进效果。