TRAE Work积分体系上线，免费额度没了。这大半年我触发过每日、每周、月限额，30天烧掉7亿多token，踩坑总结出这套省积分方法。
核心就一句：让AI正确理解需求，减少执行偏差，少返工。 返工才是烧积分的大头。
分成三块说。
源头省——动手前想清楚
-
根据任务难度/场景类型选模型 简单任务用小模型、积分倍率低的，重要复杂任务才用大模型。写文案、分析数据用推理模型（DeepSeek V4系列），vibe coding用带code的模型（GLM系列），真要识图、生视频才用多模态。多模态比推理模型贵得多，写个方案却选多模态，纯纯浪费。
-
优化输入内容，和AI有效沟通 大白话没问题，但要说全——做什么、怎么做、要什么结果。"帮我汇总分析上半年的会员数据，重点总结亮点暗点和下半年方向，输出PPT"一次就能做对。"帮我处理一下这个数据"它只能猜，猜错就返工。
-
精准限定任务范围，减少噪声输入 别让AI读它不需要读的东西。改项目时说"只看前端交互部分，重点检查登录模块样式"，它只读该读的，烧得少还不跑偏。把整个文件夹丢给它全扫一遍，上下文瞬间涨上去。
-
先计划再行动，用Plan/Spec驾驭复杂任务 Plan对齐"怎么走"——先列开发计划，第一步干什么第二步干什么，你点头再执行。Spec对齐"什么算完成"——功能能正常跳转、数据能正常流动、图表实时更新，标准锁死它才有的放矢。
过程省——执行中跑得稳
-
主动引导AI输出，给出辅助指令 提前告诉它要什么格式、长度、结构，别让它自由发挥。做营销物料，说清"风格统一、尺寸要求、必须有和不能有的内容"，一次过。不指定，它给你一堆风格不对、尺寸不符的，重来。
-
多agent模式 任务拆给不同子agent，前端管界面、后端管功能，每个只跑一类活。上下文不污染，输出稳定，少返工。
-
手动压缩上下文 超过200K触发自动压缩，但AI自己判断的"关键"不一定准。自己指定哪些必须保留，压缩完准确度才高。
-
拆分对话/上下文 一个项目别一个对话用到头。压缩几次后关键信息会被覆盖，该新开对话就新开，上下文才干净。
-
批量处理，降低交互频率 别一次只丢一句话任务，像挤牙膏。把任务列成1、2、3、4一次跑，AI一次完成多处修改，还能兼顾命令间关联性，少跑偏。省下的是重复交代背景的token和来回切换理解的返工。
复利省——长期省未来的钱
-
固定工作流写成skill 每天汇总数据、每周写周报、每月写月报，这些固定流程做成skill直接调用，不用每次重新描述，也不会跑偏返工。
-
自动化任务本地化 把需要定期在电脑本地执行的自动化任务写成本地脚本，把脚本配置进电脑系统自带的定时任务功能，到点自动执行、输出结果。
靠着这套方法，这大半年闭环了4个项目，对比刚开始的"愣头青"用法，省下至少30%的积分和token。