需要省积分，我认为首先要了解每个模型的能力边界与任务拆解开始
比如复杂的架构重构、架构设计、后端设计方案、大型任务架构、大型逻辑推理、复杂的任务拆解、复杂的任务评审等困难的都需要用==GLM5.2/DEEPSEEK V4 PRO/SEED CODE 2.1PRO/kimi k3去解决这算是共识
但是这些任务往往都是长任务，都是可以拆解的，而且每个模型都有他们擅长的领域，所以如何用最强的模型做方案拆解，然后用他们的小弟模型去做执行就是最基础的省级分方法；
所以我们要在不断实践的过程去试探这些小弟模型的能力边界，我自己的方法是当我遇到一个问题或者一个分支问题需要重复3次以上才能解决或者解决不了就会让trae帮我记录沉淀都我的知识库MD文件里面，积累一定之后，下次需要做任务拆解的时候先让强模型读取一下这个知识库，然后把任务插接的每一个分支直接告知用什么轻量模型去执行是最佳选择
这样我们原本一个长任务直接用GLM5.2、K3这些高积分模型执行到底可能需要几千积分，但是先让这些模型写一个任务规划拆分成多个执行分支，并明确告知这个分支由什么轻量模型去执行总体的积分就会变成写方案用几十最多也就200-300，然后执行都用轻量比如DEEPSEEK V4 FLASH/SEED-2.1TUBO/KIMI2.6/GLM5等去执行也就整体化几百积分，这里就能大量节省积分；
还有一个补充，就是很多人都忽略了minimax m3，积分消耗相对低，但是综合能力却不弱，尤其是前端能力、文案能力都有着不差的表现
好了，就先分享这些，希望对你们省积分有些启发