OpenClaw—AI研究最新发布的一项跨机构联合研究指出，AI Agent在执行复杂任务时的能耗远超业界此前预期，单次完整任务链的电力消耗可达传统对话式AI调用的数十倍甚至上百倍。在AI算力本已紧张的背景下，高自主性Agent正快速成为数据中心的新负担，能耗优化成为企业部署AI Agent的关键考量。
研究团队通过对多家企业AI Agent生产环境的能耗监测发现，导致能耗激增的核心原因是Agent的反思、规划、搜索循环机制。一个看似简单的Agent任务，例如生成一份市场分析报告，实际可能触发数十次甚至上百次LLM调用，每次调用都伴随完整的模型推理能耗，多轮迭代使总能耗呈数量级放大。
图 1：研究发现AI Agent能耗远超预期：高相关示意图
更值得关注的是，研究显示Agent能耗与任务复杂度并非线性关系，而是呈现明显的阶梯式跃迁。低复杂度任务能耗与传统单次LLM调用接近；中等复杂度任务能耗跃升至5-10倍；高复杂度任务则可能放大50-100倍。这意味着企业在引入AI Agent时必须重新评估能源预算。
国际能源署的预测为这一趋势提供了宏观背景：到2030年，全球数据中心电力需求可能从当前水平翻倍。在AI算力需求本就快速增长的前提下，AI Agent的能耗放大效应可能进一步加剧电力紧张，特别是在电网容量受限的地区，已经出现数据中心排队等电的现象。
图 2：研究发现AI Agent能耗远超预期：高相关示意图
对工程实践而言，研究提出了若干降低Agent能耗的关键建议。一是按工作流而非单次提示来衡量Agent运行成本，建立单任务能耗预算；二是限制反思与搜索循环次数，避免无限迭代；三是将简单步骤路由到小模型，复杂步骤才调用大模型；四是批量处理相似任务以摊薄固定开销。
从行业发展角度看，AI Agent的能耗问题不是简单的技术优化课题，而是涉及模型架构、硬件设计、能源结构、商业模式的系统性问题。随着Agent渗透率持续提升，AI厂商、能源企业、监管机构需要协同推进能耗标准化与披露机制，让AI Agent的绿色发展成为可持续的产业共识。
图 3：研究发现AI Agent能耗远超预期：高相关示意图