那9行规则提醒了我们一件hen容易被忽略的事：模型成本不只取决于你问什么也取决于你允许它怎么回答。

原因hen简单：这个项目讲的不是“让模型变聪明”，而是“别让模型把token浪费在废话上”。

这个项目并没有发明什么复杂的agent框架，也没有引入新的工具链。

当你的主要问题是冗余输出时它hen好用；当你的主要问题是正确性、稳定性和复杂推理时它不是主解法。

尤其是写代码这种任务，hen多默认语言习惯根本不创造价值：

Ru果模型经常不读文件就开始改，那就写“先读再写”。Ru果模型经常乱提需求外建议，那就明确禁止。不要为了“kan起来完整”塞一堆泛化规则，因为每一条dou会变成长期输入成本。

第三，按层级拆分规则，而不是把所有要求dou塞进一个文件。

对于用团队在ZuoAI客服,对话一长token消耗扛不住.1.1 为什么记忆必然消耗token.

这两个数字放在一起，意思就明确了：

Ru果你点开这个仓库，查kan具体内容，我相信你的第一反应是——就这？

但是这个仓库在短短的几天时间里面竟然拿到了高达.2k的star。由此可见如此简单的一件事儿，有多少人是机器需要的！

在这些场景里真正贵的不是那几个输入规则，而是模型每一轮dou在稳定重复的输出冗余。

本质上，这是一个“用输入token换输出token”的游戏。

只要答案是“Neng，而且会持续发生”，这个策略就成立。

hen多团队在优化LLM成本时会盯着模型价格、上下文窗口、RAG命中率、缓存命中率这些“大头”。这些当然重要。

- Think before acting. Read existing files before writing code.- Be concise in output but thorough in reasoning.- Prefer editing over rewriting whole files.- Test before declaring done.- No sycophantic openers or closing fluff.

第二，只写自己真实遇到过的失败模式。

第一，把通用偏好写得极短。

第三，Ru果你追求的是“绝对稳定、绝对可解析”，那应该优先用结构化输出、schema和工具调用，而不是指望prompt约束永远听话。

这个仓库在README里给了一组hen直接的对比。

这也是为什么这个项目强调“规则要短”。因为你在Zuo的，不是往上下文里继续塞偏好，而是在计算一个非常现实的账：

Ru果你的答案是“不是我本来就只偶尔问几句”，那这种Zuo法可Neng没什么意义。

Ru果你的答案是“是而且量hen大”，那这种Zuo法值得认真试一次。

第一，低频时规则文件的输入开销未必Neng靠输出缩减赚回来。

第二，hen多探索型工作本来就需要模型展开讲、提出备选方案、Zuo权衡。Ru果你把它压得过于简短，省下来的可Neng不是废话，而是有用的思考过程。

这句话hen准。它也刚好概括了claude-token-efficient这个仓库真正有价值的地方。

所以这套方法的正确定位不是“万Neng优化”，而是：

Ru果你每天只问模型两三个问题，这种Zuo法可Neng没什么意义。

图片里的中文其实Yi经把精髓说透了：这些“礼貌”在聊天里也许不碍事，但在高频coding workflow里全dou在烧token，而且几乎不增加信息量。

开场寒暄一句，客套一句，先复述你的问题，再补一段你没要的建议。单轮kan起来没多少，但一旦进入批量调用，它们会变成稳定的成本项。

规则文件本身会在每轮对话dou进入上下文，因此它不是无成本的。

泰瑞李 04-14 17:43 精选参考来源

把一个9行左右的CLAUDE.md扔到项目根目录里Claude的输出就Neng压缩%。听起来像prompt圈子里常见的夸张标题，但这次我觉得值得认真kan一眼。

但Ru果你的场景是下面这些，情况就不一样了：

今天kan啥›专栏› AI范儿一行命令省60%token?这个让AI当原始人的插件全网爆了

AI范儿·公众号· AI媒体· 2026-04-13 20:44 原文地址: 访问原文地址 与预览地址: 访问与预览 文章地址: 访问文章快照分享到微博推荐文章 华尔街见闻-资讯-硬AI· 先进封装材料革命:玻璃基板百亿蓝海起航,从技术验证到量产前夜 17小时前 华尔街见闻-资讯-硬AI· Opus 4.7 压根没想ZuoZui强模型:各位吹Claude的速度dou跟不上Anthropic的节奏了昨天 Datawhale· Anthropic 发布Claude Opus 4.7,性Neng如何?2天前 华尔街见...

这个项目在README里提到，CLAUDE.mdKe以有全局、项目、子目录多个层级。我hen认同这个思路：

Token 是衡量 AI 资源消耗的通用单位,每一次对话、内容生成或工具调用dou伴随着 Token 的消耗。实际使用中,由于冗余输出、低效提问及上下文 ...

README里Zui诚实的一点，是它没有把这件事包装成玄学。它直接承认：

实测:2000字文章处理,从11800tokens降至3900tokens,节省约67%.这篇文章,就是把我研究出来的方法全部整理出来,Neng帮你白嫖就白嫖,Neng省的就一定省。.不是不会用,是每个月kan着token账单,心在滴血。.

说到底，这不是魔法，也不是prompt黑科技。

它们在人类对话里可Neng是润滑剂，在自动化工作流里却geng像噪音。

老司机教你省Token,Token降本三大技巧,告别龙虾天价消耗#跟傅盛学AI #大有学问

它只是一次hen朴素的成本优化：把该省的废话先省掉，再把预算留给真正有信息量的回答。

每轮多输入几十个token，Neng不Neng换来每轮少输出上百个token？

所以这件事不是“白拿收益”，而是一次hen工程化的预算重分配。

要让大模型Token消耗减半,可参考以下4个零成本步骤: 精简提示词:删除人设铺垫和客套话,直接下达核心指令,可省70%输入Token。压缩上下文:仅保留Zui近3-5轮有效对话,或将早期对话摘要化,避免携带冗余历史。模型分级路由:简单任务用低价小模型,复杂任务才用大模型,成本可降85%。开启缓存:对高频重复问题开启结果缓存,避免重复调用,重复场景可省99%费用。通过上述组合策略,通常Neng实现40%-60%的成本优化。

原因并不复杂。

它真正提醒我们的，是一个geng实在的工程问题：

我反而觉得，这个仓库Zui值得学的地方，是它把适用边界写得hen清楚。

token消耗随着对话轮数线性增长——geng准确地说,是O级别的增长。.保留全部历史 → token爆炸 + 注意力稀释 → 又贵又笨.

同样个提示词，不加CLAUDE.md时输出总字数是；加上之后变成，整体下降约%。其中Zui夸张的一项是代码review，从个词压到个词，下降%。

你是不是正在用昂贵的输出token，购买一堆自己其实并不需要的礼貌、复述和自我发挥？

geng有意思的是它没有停在“字数变短”这个层面。README还引用了一组独立benchmark：个coding challenge，所有配置douNeng通过测试，比较的只有到达“测试全绿”所花的钱。结果是v8配置从$降到$，总成本下降%。

但输出风格其实也是成本控制的一部分，而且是Zui容易被忽略的那一部分。

我不会把这个仓库原封不动地当“圣经”抄过去，但我会照着它的思路Zuo三件事。

它只是把一组“高频但低价值的默认行为”写进规则文件，让Claude在每轮对话里少Zuo几件事：

总消耗:约650 Tokens,节省80%.总消耗:约7,500 Tokens,节省75%.

比如：

Ru果你的系统本来就追求短、稳、可预测，那这些噪音越早被消掉越好。

claude-token-efficient的价值，不在于那组%的headline，也不在于“行规则”这种传播友好的包装。

我kan到一条中文推文时Zui有感觉的一句不是“下降%”，而是Zui后那个判断：

README明确说了下面这些情况不太值得用：

这样既Neng保持规则短，也Neng把约束放在Zui需要它们的地方。

---