當你對AI的依賴度不斷提高，遇到Token用量上限的頻率，是否也開始增加？

程式教育機構五倍學院共同創辦人高見龍，同時也是國際頂尖AI實驗室Anthropic的台灣社群大使。去年他以個人之力，用每月兩百美元的訂閱費，就與AI協作出一套可以實際運作的售票系統ezBundle。

他認為，在訂閱制的限額下使用AI，其實跟跑馬拉松很像，如果不想在執行關鍵任務的時候，才發現Token所剩無幾，就必須做好「配速」這項功課。

不過，光是緊盯Token用量的變化，是做不好這件事的，高見龍根據本身經驗，整理出六大重要觀念，可以幫助你做「AI配速」時，更輕鬆愉快。

一、提供AI詳盡工作說明書
把「預算、偏好、限制」所有要求先說清楚

很多人可能認為AI的摘要梳理能力很強，所以會習慣性將所有文件資料，一股腦直接丟給AI；但實際上，如果可以先整理成結構清楚的工作說明書，AI運作起來就會更有效率。

舉例來說，相比於只給AI一句「幫我做會員系統」，更好的指令會是把「要做什麼項目、不做什麼項目、驗收的條件和限制等」都寫清楚。

就好像請設計師裝潢房子，如果你只是丟一堆參考圖片給對方，然後說「幫我弄漂亮一點」，對方可能只能一直猜，因為你對漂亮的定義與設計師的想法未必相同。

但如果你把裝潢的預算、風格偏好、哪些地方不能動、完成後要怎麼驗收等項目，一開始就先逐項梳理清楚，幫助設計師更精準掌握你口中「漂亮一點」的偏好和邊界，那就可以為雙邊省下大量後續需要反覆溝通的成本。

二、資料不是越多越好
不要讓重點埋在多餘的上下文裡

「真正昂貴的不是模型，而是不必要的上下文。」高見龍表示，雖然隨著AI能力不斷進化，一次可以讀取的上下文內容已經越來越長，但這不代表餵AI的資訊越多就越好，因為這麼做，反而可能讓真正重要的資訊被淹沒。

提供「剛剛好」滿足任務需求的資訊給AI，反而可以幫助AI更聚焦、執行效率更好，自然也不會耗費更多的Token。

三、別只把AI當搜尋引擎
讓它當團隊夥伴，務必做好分工

因為AI具備基本搜尋能力，漸漸的，很多人已習慣想到什麼問題就直接丟給AI，這當然是種用法；可是，就像一家公司通常不會把業務、客服、財務的任務都交給同一個人處理，你對待AI也應如此。

舉例來說，如果一個任務你不論發想、規畫，還是執行細節，都直接在同一個AI對話框裡發問，那每次消耗掉的Token量，其實會隨著對談次數的累積不斷放大。

因為不論你問的問題是否跟前面的討論有關，AI在給出回應前，都會重新讀取。很多時候，Token就是在這個「看不見的過程」中被浪費掉的。

反過來說，當分工越清楚，例如請代理人A扮演企畫，負責創意發想；再讓代理人B擔任財務，確認企畫案的可行性，如此一來，每一個AI代理人只需要知道它該知道的資訊，既可以節省Token，產出的品質也會更穩定。

四、流程比提示詞更重要
先拆解任務架構、再個別處理細節

面對省Token的課題，很多人花時間研究提示詞該怎麼下，但現在對Token消耗量影響更大的，其實是「流程」。

用餐廳營運來比喻，一個好的提示詞，像是一張完美的菜單，它是餐廳能否將每天備料用得剛剛好的基礎；只是，光是有好菜單還不夠，如果廚房內的動線設計混亂，導致備料得一直重做，又或者是每張訂單都需要反覆確認，那最終成本還是會很高。

反之，流程設計得越好，Token消耗量就越低。

以實體活動策畫為例，若採取「要求AI一次產出完整企畫案」的做法，後續一旦場地等不同分項需要微調，AI就得重讀整個企畫案的資料。

更好的做法可以是先拆解任務：第一步先請AI規畫大架構，確認後，再分別拉出硬體清單、人員配置等項目，個別處理。如此，之後遇到問題，就只須針對單一項目討論，不必帶著整包企畫案反覆陪跑，自然能省下大量Token。

五、Token用量不等同價值
得有意識思考：「如何選用合適模型」

Token用量是很好的成本依據，但不適合直接對標某一項生產力，必須再往下一層、或下兩層，做交叉檢視。

就像一個業務員的表現好壞，不能單看他打了幾通電話，更要進一步審視他的業績成交量、客戶服務滿意度，才能定調對方的價值。

終究Token只是一個計量單位，不等同於價值。建立了這項認知，你才會更有意識去思考每一次任務的模型選用，以及決定是否真的有使用AI的必要。

六、「不浪費」才是重點
多花一點Token優化，反而成本更低、更省！

當Token消耗的速度越來越快，社群上開始有許多人分享可以省Token的技巧。

但要注意的陷阱是，在省Token的同時，AI能力和效果可能也會被省掉。

其實在追求AI最佳化使用這件事情上，重點不應該放在怎麼省Token，而應該是「不浪費」。就像是有時候你多做了一步，看似多花了一些Token，實際上若以最終的整體成本角度去看，反而成本是更低的。

例如，如果要製作一份AI工作的說明書，代表你需要多花一點時間，並且先消耗一些Token去產出說明書規格。

但好處是，先建立明確的工作指引，就可以降低AI後續執行任務時的錯誤率，避免AI方向走歪，得一路反覆修正的浪費。

一開始，「怎麼問AI」，決定了誰可以把AI用得更好，但現在已經不能只是問對問題，包括「給AI什麼資料」、「工作流程怎麼設計」，都會決定誰可以在同樣Token用量限額內，創造更大價值。