夜雨聆风
| 标准正常长篇（小说、普通社科，300 页左右） | 8 万‑10 万 | 10 万‑15 万 token |
指标 | 数值 |
|---|---|
1积分 ≈ Token数 | 31,874 Tokens |
简单问答 | 10-30 积分 |
邮件翻译 | 30-50 积分 |
文档整理 | ~100 积分 |
行业日报撰写 | ~50 积分 |
复杂代码生成 | 100-300 积分 |
深度调研报告 | 300-800 积分（最费！） |
原因1：需求说不清楚 → 反复迭代
每次迭代都是一次完整的AI调用，积分成倍地烧。
解读：会问问题很关键，如果是重复的问题，迭代后注意精简问题表述方式。
原因2：长对话不压缩 → 上下文越来越长
聊了20轮之后，每次请求都要把前19轮的历史全部发给AI——大部分token都在重复处理旧内容。
解读：巧用compact工具，后面会讲。
原因3：小任务用大模型
问个简单问题也用最强模型，就像打车去隔壁便利店——能到，但贵得离谱。
解读：workbuddy里有不同的模型，消耗积分的倍率不一样。Kimi-K3目前是最贵的，据说也是处理长文本能力最强。
原因4：零碎任务分散执行
10个小问题开了10次对话，如果合并成1次提交，能省掉9次的系统开销。
解读：AI做事很认真，每次的对话他会把你之前的问答重新过一遍，所以每一次他就要把之前的所有文本再过一遍，举个小例子，早上我把一本书输入进去让他给我做个PPT，55页，我发现18页里有个内容漏了，本来自己加上就好，我想试试AI终究怎样干活，就把这点提示给他，第一次消耗了49积分，第二次就修改18页中的一小点内容，结果消耗了28积分。
第一次
技巧1：长对话后用 /compact 压缩上下文 ⭐⭐⭐⭐⭐
节省：50%-90%
当对话超过5-6轮后，输入 /compact 命令（或点击界面上的压缩按钮），让AI总结历史要点并丢弃冗余细节。
实测案例：一轮15轮的代码开发对话，压缩后继续聊，后续每轮消耗从
80积分降到15积分。
技巧2：一次性说清楚需求 ⭐⭐⭐⭐⭐
节省：40%-70%
提问时遵循 "黄金四要素"：
- 背景
：我要做什么？为什么？ - 目标
：最终交付什么？ - 约束
：技术要求、风格限制 - 格式
：代码/PPT/Excel/文档？
技巧3：按任务选模型 ⭐⭐⭐⭐
节省：30%-50%
任务类型 | 推荐模型选择 |
|---|---|
简单问答、文本润色 | 轻量模型 |
单文件代码、技术对话 | 中等算力模型 |
多文件项目、深度分析 | 高性能模型 |
在 WorkBuddy 设置中可以为不同任务配置默认模型，或在对话中指定 @轻量模型 来切换。
技巧4：拆分大任务为子任务 ⭐⭐⭐⭐
节省：20%-40%
WorkBuddy 支持多专家并行协作，不相关的子任务可以同时跑，效率更高。
技巧5：直接生成文件 ⭐⭐⭐
节省：30%-50%
与其让AI在对话框里输出一大段代码让你复制，不如直接说：
"请直接生成 index.html 文件"
减少对话中的大量输出token，同时你拿到的是现成的文件。
技巧6：限制输出长度 ⭐⭐⭐
节省：20%-40%
明确告诉AI你要多长的回复：
"简短回答，不超过200字" "列出3条核心建议即可" "只要结论，不要解释过程"
技巧7：批量处理同类任务 ⭐⭐⭐
节省：20%-30%
不要开5次对话分别翻译5段文字，一次全贴上去：
"请翻译以下5段英文，保持商务语气：[粘贴全部内容]"
技巧8：提问简洁，去掉客套话 ⭐⭐
节省：10%-20%
