第 01 篇 · AI 成本

别急着把资料塞给 AI：省 Token 的五个习惯

资料先清理、需求一次讲清、固定动作交给工具、长项目建立索引，再按任务难度选择模型。省 Token 的关键不是少说，而是少做无效劳动。

AI 成本预计 1 分钟发布于 2026年8月15日

你把一份六十页的 PDF 拖进 AI，对它说：帮我总结。问题还没开始问，它已经先把标题、页眉、页脚、表格、图片和正文通读了一遍。就像请人找一句话，却先让他搬完整个档案室。活儿未必更好，账单倒是先醒了。

这就是 Token 最朴素的意思：AI 每读一点、写一点，都要记账。我们不必研究复杂的计算公式，只要记住一件事：它读过的无用内容，和它走过的错误路线，一样要花钱。

省 Token 也没那么玄。下面五个习惯，写通知、做汇总、读报告、整理会议纪要时都能用。

资料先洗干净，再交给 AI

最常见的浪费，是把文件原样扔进去，指望 AI 自己挑重点。PDF 尤其容易藏坑。Anthropic 的官方 PDF 文档说明：处理 PDF 时，除了提取文字，每一页还会按图片处理；单页文字通常就会消耗约 1500 至 3000 个 Token，图片另算。页数一多，成本很快就胖起来。

如果是一份以文字为主的制度、报告或会议材料，可以先转成 Markdown。它有点像洗过的纯文本：标题还是标题，表格还是表格，但花哨排版、重复页眉和许多无关装饰不见了。

微软在 GitHub 开源的 MarkItDown 就做这件事。它支持 PDF、Word、PowerPoint、Excel 和网页等文件，输出更适合 AI 阅读的 Markdown。命令行看着有点技术，但思路完全不技术：先收拾资料，再请人干活。

很多人和 AI 对话像发微信：帮我写个通知；对了，是给参会者的；语气别太正式；还要提醒带身份证。四句话当然也能做，但每多一轮，AI 都要重新带着前面的对话继续读。更麻烦的是，前两轮已经生成的废稿也留在上下文里，后面还得陪着你一起坐车。

发出请求前，花半分钟凑齐三样东西：要做什么、给谁看、交付成什么格式。

/ PROMPT

请把下面材料改成一则参会通知。读者是第一次参会的文职人员，语气自然，不用技术术语。正文控制在 500 字内，必须包含时间、地点、交通方式和证件提醒。信息不足时先列出缺口，不要自行补写。

这段话并不短，却可能比四五轮补充更省。少字不等于少 Token，少返工才是真的省。

确定的用脚本，不确定的用模型。

别被脚本两个字吓到。表格公式、批量重命名、固定格式转换、按模板生成周报，本质上都属于确定性工作。规则一旦定下来，同样的动作做一百次，也没必要让 AI 每次重新思考。

比如会议录音，可以先用本地语音转文字工具生成逐字稿，再让 AI 只做观点归纳和行动项整理。前半段是机械劳动，后半段才需要判断。这样既能少传敏感录音，也不会每次为了听写去调用昂贵模型。

又比如每周都要把 Excel 数据改成固定格式。第一次让 AI 帮你做成模板或小工具，后面直接点按钮。别让一个收费的聪明脑袋，天天替你复制粘贴。挺亏的。

一个文件夹里有三十份材料时，最笨的做法是每问一个问题，就让 AI 从头读一遍。更省事的办法，是先做一张索引。写清每个文件是什么、适合回答什么问题、更新时间是什么。以后需要找嘉宾接待流程，先查索引，只打开相关的两三份文件。

索引不必高级。一张三列表格就够：文件名、内容摘要、关键词。如果资料很多，可以先让便宜模型生成初稿，再由人快速核对。能力更强的模型，只在需要分析和判断时上场。

这和去图书馆一样。目录卡不是书，但它能让你少走十排书架。

索引也有成本。只用一次的十页材料，建一套复杂知识库多半是瞎折腾；长期维护、经常查询的大项目才划算。卡尔的 AI 沃茨在一轮六种省 Token Skill 实测中发现，某个索引方案需要先读完 79 个文件，前期投入约 3 万 Token。按那次测试估算，要反复问到约 36 次才可能回本。

润色一段话、提取日期、把名单分组，和判断一份方案是否可行，不是同一种工作。却有人从早到晚只用最贵的模型，像请总厨削土豆。

简单任务可以交给成本低的模型，隐私要求高且电脑条件允许的任务可以考虑本地模型。涉及复杂推理、关键决策、重要对外文案时，再换能力更强的模型。Token 和等待时间都能省下来。

同一段对话也别无限续杯。任务已经变了，就新开一个会话；任务还没变但历史太长，可以先让 AI 生成一份只保留目标、决定、待办和关键材料的交接摘要，再带着摘要继续。

Anthropic 的缓存计费说明确实给重复内容提供了折扣，但缓存不是同一个聊天框永远更省的护身符。上下文越来越肥，模型每轮仍要处理更多内容。该换桌时就换桌。

OpenAI 的模型使用指南也给了一个朴素建议：提示词和工具说明尽量精简，只保留任务真正需要的部分，并用有代表性的真实任务测试效果。换句话说，别把所有家当都搬上桌，再让 AI 自己收拾。

如果只盯着字数，很容易走偏。把白话文改成生僻文言文，字是少了，模型未必切得更省，理解还可能更费劲。把必要背景删光，AI 猜错后返工三轮，更是典型的捡芝麻丢西瓜。