写在前面：
换模型、接API，简单粗暴。这种最朴实无华的方式比什么奇淫技巧都要好。但这不是今天想聊的，省 token 跟存钱一样，不是所有人都能一夜暴富，但每天攒一点，时间长了也能富有。这些方法帮并不一定科学，但是希望可以当作一个参考，养成习惯了，长期积累下来，差距就很可观了。
实测数据说话，不讲玄学，不讲听说。
四个反常识的发现
① 新开对话不一定省 token
如果每一步都让 AI 重新读文件，新对话反而更贵。省钱的做法是：减少读文件的次数，把上一步的输出结果搬运过去。
② 压缩上下文不一定省积分
压缩本身也是要消耗积分的。压缩是长对话专用的工具，不是无脑按钮。
③ 便宜的模型并非不好用
多看看评测，同样的简单任务，不同定价的模型跑出来质量都达标，但花费差好几倍。别一上来就上最强模型，先想想这个任务值不值。
④ 开 Skill 不一定更省
没人会真的拿Skill 去处理一个简单任务，Skill 的价值在于帮你理清复杂需求，所以要按任务复杂度来决定开不开，而不是无脑跳过或无脑开。
为什么 Token 会烧得这么快
每次在同一个对话里发新问题，TRAE 都会把之前所有聊天记录重新打包发给模型。对话越长，每轮输入越大——你越聊，它越贵。
我用模拟了一下：20 轮长对话累计输入约 153,000 token，拆成 4 个短对话只要约 48,000 token，差了 68%。
8 个方法，逐个实测
| 主题 | 方法 | 节省 | 结论 |
|---|---|---|---|
| 1. 提示词结构 | 一段式 vs 多段式 | 42.4% | 多段式更省/更准  |
| 2. 引用方式 | 整文件 vs 单函数 | 30.4% | 单函数更省，更聚焦 |
| 3. 会话管理 | 长会话 vs 新对话 | 35.1% | 新对话更省，但只搬运结论不重读 |
| 4. Skill 值不值 | 用Skill vs 不用 | -360% | 简单任务不开 Skill 更省  |
| 5. 模型补贴 | GLM-5.2 vs DeepSeek V4 | 67.7% | 按任务选模型，便宜模型也够用 |
| 6. 规则固化 | 重复输入 vs Rules | 18.3% | Rules 更省，任务越多越明显 |
| 7. 上下文压缩 | 不压缩 vs 先压缩 | -40.9% | 短对话不需要压缩 cha |
| 8. 忽略文件 | 不配 vs 配 ignore | 25.6% | 配 ignore 更省，减少噪音干扰 |
① 把指令写清楚，比什么都省 
怎么用：
不要一股脑把所有要求塞进一句话。分成结构化的段落写比较省。
| 写法 | 积分 | 用时 | 轮数 |
|---|---|---|---|
| 一段式密指令 | 14.33 | 2分58秒 | 3轮返工 |
| 多段式结构化 | 8.25 | 52秒 | 1轮到位 |
本次测试省了约 42%，而且一轮就做对了，不用反复纠正返工。
啥时候用：每次发需求都该这么写，养成习惯，不需要区分场景。
② 引用代码，别整文件丢进去 
怎么用：如果你清楚具体要修改的内容，直接指出位置，或者直接说「文件第 X~Y 行」也可以，别让AI频繁扫 #整个文件。
| 引用方式 | 积分 | 用时 |
|---|---|---|
| #整文件 引用 | 6.15 | 36秒 |
| #单函数 引用 | 4.28 | 32秒 |
本次积分省了约 30%。
#精准定位，整文件引用几乎永远没必要，除非任务本身就需要理解全文件结构。
③ 新开对话，但有个前提 
怎么用：一个任务一个对话，要换任务就果断新开。关键：把上一步 AI 输出的结论复制粘贴到新对话，不要重新读文件。
| 做法 | 总积分 | 总用时 |
|---|---|---|
| 同一个对话连续提问 | 5.69 | 30秒 |
| 搬运上一个对话的结果，新开一个会话 | 3.69 | 34秒 |
本次省了约 35%，第③步 AI 也明显更专注（没被前面无关内容干扰）。
④ Skill 值不值，看任务复杂度 
怎么用：简单任务直接问，复杂任务 Skill 理清需求、发散性问题取决于模型思考强度。
对于自己清楚输入什么、输出什么的任务，Skill 的"理清需求"环节本身没有必要，直接问反而更快更省，直接问只花了 7.61 积分，套流程花了 35 积分。Skills更多的价值是解决未知的、模糊的问题、以及复用原来的知识，省的是你的时间而不是token。
需要注意的，并不是所有简单的提问都会获得快速的回答。有时候一句hello，也能让大模型过度思考到怀疑人生。
⑤ 按任务选模型，比无脑上贵的更省 
实测数据（同一个简单任务，两个不同档位的模型）：
| 模型 | 积分 | 用时 | 输出质量 |
|---|---|---|---|
| GLM-5.2（有补贴，但价格更高档位x0.4） | 3.1 | 6秒 | 合格 |
| DeepSeek V4 Flash 正式版（更便宜档位x0.05） | 1 | 10秒 | 合格，格式反而更完整 |
本次省了约 68%，而且更便宜的模型输出格式反而更好。
反常识：贵的不一定更好。简单任务下便宜模型完全够用。别一上来就选最强模型，先想想这个任务值不值。
⑥ 把固定偏好写进 Rules，一劳永逸 
怎么用：在 TRAE 设置 → 规则 → 项目规则中，把「中文注释、函数式风格、不用某遗留配置」等固定要求写进去，以后不用每次重复。
实测数据：连续做 5 个新增函数任务。
| 做法 | 总积分 | 总用时 |
|---|---|---|
| 每次手动带上约束 | 17.5 | 86秒 |
| 配 Rules，输入简洁 | 14.3 | 76秒 |
本次省了约 18%，而且越到后面差距越明显
⑦ 上下文压缩，别乱用 
怎么用：对话太长（几十轮）、AI 开始变笨了，点 TRAE 的上下文压缩按钮，把历史浓缩成摘要。
实测数据：4 步积累 + 第 5 步输出报告。
| 做法 | 第5步积分 | 用时 |
|---|---|---|
| 不压缩，直接问 | 2.2 | 38秒 |
| 先压缩，再问 | 3.1 | 41秒 |
压缩反而贵了约 40%，因为压缩本身也要花一次积分，而这个对话本身还不够长，压缩的"回本"空间不够。而且压缩的时间有时候比任务本身思考的时间还要长。
⑧ 配忽略文件，堵住上下文噪音 
怎么用：在项目根目录的 .gitignore 或 TRAE 的忽略文件设置中，把 compiled/、vendor/、logs/ 等大而无用的文件排除。
| 做法 | 积分 | 用时 |
|---|---|---|
| 不配 ignore | 12.21 | 38秒 |
| 配 ignore | 9.09 | 34秒 |
本次省了约 26%，而且 AI 的分析更聚焦，不会读到噪音文件里的无关代码。
#Workspace全局搜索的时候，这条基本是刚需。
我是怎么测的
先写好技能，让AI一步一步指导我完成测试。
- 一次只改一个变量：同模型、同任务、同环境，只换「要验证的那一招」
- 用量面板记前后：实验前记余额 → 跑任务 → 实验后记余额，消耗 = 前 − 后
- 省了没省坏才算技巧：每个方法我都确认了结果质量没下降
- 样本量提醒：本文大部分对比是单次跑分，存在随机波动，方向性结论可信，具体数字建议自己复现验证
主要使用的是GLM5.2模型，消耗积分大约在200左右
一键结论表
| 方法 | 本次实测节省 | 结论 |
|---|---|---|
| ① 提示词分段写 | ~42% | 一轮到位，少返工 |
| ② #单函数 精准引用 | ~30%（输入token省86%） | 更聚焦，但积分收益不完全等比 |
| ③ 新开对话，只搬运结论 | ~35% | 重读源文件反而更贵，需自行验证 |
| ④ 简单任务不开 Skill | ~-360% | 复杂任务的收益待补测 |
| ⑤ 按任务选模型 | ~68% | 便宜的不一定不好用 |
| ⑥ 写进 Rules | ~18% | 任务越多越划算 |
| ⑦ 上下文压缩 | -40%（短对话反而更贵） | 短对话别压缩 |
| ⑧ 配忽略文件 | ~26% | 减少噪音干扰 |
省 token 没有银弹，每个方法都有它的适用场景和局限。把方向性技巧组合起来用，比迷信某个具体数字更靠谱。