做AI Agent开发的团队都会遇到token消耗和流程失控的痛点，这个方案把LLM的职责边界划清楚了——翻译SQL交给AI，执行交给脚本，建议直接抄作业。
一位开发者将数据库接入AI Agent后，发现token消耗巨大，且Agent不按预设工作流执行。问题根源在于Memory只是背景信息而非执行指令，Agent每次对话都会重新推理规划。解决方案是用Agent Skill + Script替代Memory中的工作流：让LLM只负责将自然语言翻译成SQL，而执行SQL、格式化结果等确定性步骤交给脚本。在Skill中内嵌表结构说明和SQL模板，Agent只需填空而非从零推理，token消耗可降低一个数量级。
Q：我把数据库接入了 AI Agent，每次用手机发消息让它帮我查数据、导出文件，但 token 消耗特别大。我已经把工作流写进了 Agent 的 Memory 里，但它就是不按流程走，该怎么办？ ...
Q：我把数据库接入了 AI Agent，每次用手机发消息让它帮我查数据、导出文件，但 token 消耗特别大。我已经把工作流写进了 Agent 的 Memory 里，但它就是不按流程走，该怎么办？ A：这是一个非常典型的问题。根本原因在于：Memory 只是“背景信息”，不是“执行指令”。Agent 每次对话都会重新理解意图、重新规划步骤，这个思考过程本身就是 token 消耗的大头。 解决方案：用 Agent Skill + Script 替代 Memory 里的工作流。 核心思路是把任务拆成两部分： - LLM 只做它擅长的事——把自然语言翻译成 SQL 查询语句 - 确定性的步骤全部用脚本——执行 SQL、格式化结果、上传文件，这些不需要 AI 思考，写成 Python/Shell 脚本直接跑 再进一步，在 Skill 里内嵌你的表结构说明和常用 SQL 模板，Agent 只需要填空而不是从零推理。 改完之后 token 消耗能降一个数量级。 一句话总结：能用脚本干的事别让 LLM 干，LLM 只负责翻译，不负责执行。 💬 0 🔄 2 ❤️ 7 👀 1070 📊 3 ⚡