基本信息

来源摘要/节选

公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。

本文作者：云舒，TRAE 产品运营 我们在 上一篇 已经带大家认识了 Token 和上下文窗口，那在 TRAE 中究竟应该如何节省 Token 呢？本文将从 AI Coding 的六问心法出发，到 10 个具体场景的小技巧，手把手教你如何用 TRAE 更省钱！ Token 花销的构成 我们在上一篇的文章中已经理解了 Token 的概念，这里简单回顾一下，你与大模型进行一次对话的成本，可以简单理解为一个公式： 总费用 = 未命中缓存的输入 Token× 输入单价 + 输出 Token× 输出单价 + 缓存 Token× 缓存单价（如有） 输入 Token： 你发给模型的所有内容，包括本轮提问、历史对话摘要、通过 *

*引用的代码/文件/文档等。 输出 Token： 模型返回给你的所有内容，包括文字回复、代码产物、工具调用信息等。 缓存 Token： 部分模型为优化长对话与重复请求，缓存历史上下文计算状态所消耗的 Token。后续收到相似请求时可直接复用，减少重新推理与 Token 消耗。 因此， 输入和引用的上下文体量、多轮交互的长度、选用模型的差异以及工具调用返回内容的多少 ，都会直接影响最终的 Token 消耗与费用。 AI Coding 的六问心法 在正式开始介绍节省 Token 的技巧之前，先帮你建立一个更重要的共识： 好的提问，比任何“省流小窍门”都更关键。 这 6 个问题就是所有技巧的底层“检查清单”，几乎适用于你与 AI 交互的所有场景。 你可以把它们当成一张“提问前体检单”：问题没想清楚的地方，用这 6 个问题补齐；表达不够清楚的部分，用这 6 个问题重新打磨。 不仅能从源头减少大量无效 Token 消耗，还能让 AI 的回答更聚焦、更可用！ 「目标是否唯一」如果任务复杂，先拆解，再分步执行。当你切换任务时，建议新开一个对话。…

来源说明

当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。

本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。