-
Token节省方法1 ：【解决一个重开一个会话，减少陷入死循环，减少历史上下文，减少压缩导致上下文丢失】解决子问题后立即重开，清空无用历史。
-
Token节省方法2 ：【个人规则，项目规则，智能体系统提示词，Skills；精简再精简】移除 规则文件 中过期的、过于琐碎的规范。。
-
Token节省方法3 ：【控制 MCP 开启数量】 只开启当前任务需要的 MCP 服务器，避免工具定义堆积。
-
Token节省方法4 ：【选择最优模型】别总盯着最贵最大上下文的模型。写个简单脚本就没必要选最重的模型**【该省省该花花】**
-
Token节省方法5： 【主动管理引用】 尽量只 # 相关的函数或文件，而不是整个文件夹，整个项目。
（参考模型价格）
我们顺便看看AI IDE是怎么结构性消耗Token
AI IDE Token 消耗全景图
-
左侧数据输入流向 ：分别为（静态、动态、工具）分类。你可以清楚看到，像 规则文件和提示词 这样的静态输入是“持续叠加 ”的，而工具调用（MCP）（Skills）是具备爆发性质的。
-
中央上下文池 ：所有的输入都汇聚到中间的大模型循环处理上下文 区域。
-
Agent/反馈 ：当你命令 AI “修复所有测试用例”时，AI 会不断运行测试 → 报错 → 回传 → 思考 。在一次又一次循环反馈到测试思考过程，上下文而变得更重。
-
分级影响程度 ：
-
蓝色 (核心/静态)【输入】 ：底座成本，高消耗 。
-
橙色 (Agent/反馈)【输入输出】 ：最容易失控的变动成本,陷入AI自我循环即空消耗 。
-
紫色 【输出】 ：实际产生的价值（代码），但在 Token 占比中通常最小。
-
绿色【优化】 ：唯一能有效降低大量计费措施。
通过这个流向图，你可以发现：AI IDE 的核心省钱逻辑不是让 AI 少写代码（输出），而是让它少读无用信息（输入和反馈）。