企业官网建设流程全解析

AI 编程工具用起来爽，但账单跑起来也真让人肉疼。我身边不少朋友刚上手 Codex 和 Claude 的时候，都是抱着"先充上再说"的心态，结果一个月下来发现额度像开了闸的水龙头，尤其是把这两个工具嵌进日常开发流之后，token 消耗速度远超预期。这篇笔记就聊聊我这一段时间在 Codex 和 Claude 上踩过的坑、试过的省法，以及怎么在"用得爽"和"花得少"之间找到那个平衡点。不管你是刚装好 Codex CLI 准备跑第一个任务，还是已经把 Claude Code 接进 VS Code 天天用，这里面的思路应该都能帮你把成本压下来一截。

1. 先搞清楚钱到底花在哪了

很多人一上来就想着"怎么省"，但其实第一步应该是"怎么看清"。你连消耗结构都不清楚，省的方向大概率是错的。

1.1 Token 消耗的三个大头

AI 编程工具的计费逻辑，本质上就是输入 token 加输出 token。但实际用起来，消耗结构比这个复杂得多。我观察下来，钱主要花在三个地方：

第一块是上下文携带量。这是最容易被忽视的。你每发一次请求，工具会把当前对话历史、打开的文件内容、项目结构信息等一起打包发给模型。对话轮次越多，这个包越大。我做过一个粗略测试：同一个项目里，第一轮对话可能只发 2000 token，到第十轮的时候，光历史上下文就能膨胀到 15000 token 以上。也就是说，你后面每一句话都在为前面的对话"交税"。

第二块是文件读取范围。Claude Code 和 Codex 都有自动读取相关文件的能力。这个能力很好用，但也很"费"。如果你让它改一个函数，它可能把整个文件甚至关联的几个文件都读一遍。一个 800 行的文件，读一次就是好几千 token。如果它反复读同一个文件，那就是反复烧钱。

第三块才是真正的输出。模型生成代码、解释、建议所消耗的 token。这块反而是相对可控的，因为输出量通常不会太夸张。真正的大头往往在前两块。

提示：如果你用的是按 token 计费的 API 模式，建议先去后台看一眼最近几天的消耗曲线。很多人看到曲线之后才发现，自己以为的"写代码花得多"，其实是"读文件花得多"。

1.2 不同使用模式的成本差异

Codex 和 Claude 目前主要有几种使用形态，成本结构差别很大：

我自己的做法是：高频交互用订阅制兜底，自动化批处理用 API 按量付费。这样既不会因为订阅额度用完被卡住，也不会在低频场景下白交月费。

1.3 一个真实的消耗对比

举个具体例子。我有个项目，需要给一个 Flask 后端加一套用户权限校验。同样的任务，我用两种方式各做了一遍：

方式 A：开一个长会话，从"帮我看看这个项目结构"开始，一路聊到"帮我把权限模块加上"，中间穿插了七八轮讨论和修改。整个过程消耗了大约 45000 token。

方式 B：先自己理清楚需求，直接开一个新会话，把需要改的文件路径和具体要求一次性说清楚，让模型直接输出代码。整个过程消耗了大约 12000 token。

任务完成度差不多，但成本差了将近四倍。差距就来自上下文携带量和文件读取范围。

2. 上下文管理：省钱的第一个开关

上下文是最大的成本变量，也是最容易优化的地方。核心原则就一句话：让模型只看到它需要看到的东西。

2.1 会话该断就断，别舍不得

很多人有一个习惯：一个会话从早用到晚，中间什么任务都往里塞。这个习惯在聊天场景下没问题，但在 AI 编程场景下就是烧钱。

我的做法是：一个任务一个会话。具体来说：

• 改 bug 开一个会话，改完就关
• 写新功能开一个会话，写完就关
• 问概念性问题开一个会话，问完就关

这样做的好处是，每次会话的上下文都是干净的，不会带着之前无关的对话历史。代价是你需要重新描述一下背景，但这个描述成本远低于携带一堆无关历史的成本。

注意：有些工具支持"清空上下文但保留会话"的功能。如果你只是想重置上下文，用这个功能比关掉重开更方便。但要注意，有些工具的清空只是隐藏了历史，实际请求时还是会带上，这个需要自己确认。

2.2 文件引用要精准，别让它自己猜

Claude Code 和 Codex 都有"自动找相关文件"的能力。这个能力在探索阶段很好用，但在执行阶段就是浪费。

我的经验是：探索阶段让它自己找，执行阶段手动指定。

比如你要改一个函数，不要只说"帮我改一下 validateUser 这个函数"，而是说"帮我改一下src/utils/validate.js里的 validateUser 函数"。这样它就不需要去搜索整个项目来找这个函数在哪。

如果工具支持@文件路径这种引用语法，那就更好了。直接把文件路径喂给它，省掉它自己搜索的过程。搜索过程本身也是要消耗 token 的。

2.3 长文件要截取，别整篇喂

一个 1000 行的文件，你只需要改其中 50 行，但整篇喂进去就是 1000 行的 token 成本。这时候应该做的是：只把需要改的那一段贴给它。

具体操作上，你可以：

1. 先自己定位到需要改的函数或代码块
2. 把这一段单独复制出来
3. 在对话里说明"这是文件 X 中的一段代码，上下文是 Y，帮我改成 Z"
4. 拿到结果后自己贴回文件

这样做虽然多了一步手动操作，但 token 消耗可能只有整篇喂进去的十分之一。

2.4 对话历史要主动清理

有些工具允许你删除对话中的某几条消息。如果你发现前面有几轮对话已经没用了（比如走了一些弯路），可以主动删掉。这样后续请求就不会再携带这些无用历史。

不过这个操作比较繁琐，我一般只在长会话中才会做。日常短会话直接关掉重开更省事。

3. 提示词写法直接决定输出成本

提示词写得好不好，不仅影响输出质量，还直接影响 token 消耗。一个模糊的提示词会让模型反复确认、反复尝试，每一次往返都是钱。

3.1 一次说清楚，别挤牙膏

最费钱的提示词写法就是挤牙膏式：

你：帮我改一下这个函数 模型：请问你想怎么改？ 你：让它支持异步 模型：好的，请问用 async/await 还是 Promise？ 你：async/await 模型：好的，这是改好的代码...

这一来一回，每一轮都在携带完整上下文，成本翻了好几倍。

正确的做法是一次性把需求说清楚：

你：帮我改一下src/utils/fetchData.js里的 fetchData 函数，改成 async/await 写法，保持原有的错误处理逻辑不变，返回值结构也不变。

这样一轮就能拿到结果，上下文只携带一次。

3.2 给例子比给描述更省

如果你想要一个特定格式的输出，给一个例子比写一段描述更省 token，效果也更好。

比如你要让模型生成一个特定格式的配置文件，与其写"请生成一个包含 name、version、dependencies 字段的 JSON 配置，dependencies 里每个依赖要有版本号..."，不如直接给一个例子：

{ "name": "my-project", "version": "1.0.0", "dependencies": { "express": "^4.18.0" } }

然后说"按这个格式，帮我生成一个包含 axios 和 lodash 的配置"。这样模型不需要猜测你的格式偏好，一次就能输出正确结果。

3.3 限制输出范围

如果你只需要代码，就明确说"只输出代码，不要解释"。如果你只需要解释，就说"只解释思路，不要写代码"。这样避免模型输出一堆你不需要的内容，既省输出 token，也省你阅读的时间。

我常用的几个限定语：

• "只输出修改后的代码，不要解释"
• "用一句话说明思路即可"
• "不需要完整代码，只给出需要修改的行"
• "不要重复我贴给你的代码"

3.4 系统提示词要精简

如果你用的是 API 模式，系统提示词（system prompt）是每次请求都会携带的。如果你写了一个很长的系统提示词，那每次请求都在为它付费。

我的建议是：系统提示词只放最核心的角色设定和输出格式要求，具体的任务描述放在用户消息里。这样系统提示词可以保持精简，而任务描述只在需要的时候才携带。

4. 工具配置里的隐藏省钱项

除了使用习惯，工具本身的配置也有很多可以优化的地方。这些配置往往藏在文档的角落里，但对成本的影响不小。

4.1 模型选择：不是所有任务都需要最强模型

Codex 和 Claude 都提供不同档位的模型。强模型贵，弱模型便宜。很多人图省事，所有任务都用最强模型，这其实很浪费。

我的分配策略是：

这样搭配下来，整体成本能降不少，而效果几乎不受影响。

4.2 关闭不必要的自动功能

很多工具默认开启了一些"智能"功能，比如自动读取相关文件、自动补全上下文、自动生成摘要等。这些功能在提升体验的同时也在消耗 token。

我建议逐个检查这些功能，只保留真正需要的。比如：

• 自动读取相关文件：探索阶段开，执行阶段关
• 自动生成对话摘要：如果会话不长，可以关掉
• 自动补全：如果影响不大，可以关掉

4.3 缓存机制的利用

部分工具支持 prompt caching（提示词缓存）。简单说就是，如果一段内容在多次请求中重复出现，缓存机制可以让它只计费一次。

利用这个机制的方法是：把不变的内容放在前面，变化的内容放在后面。比如系统提示词、项目背景介绍这些不变的内容放前面，具体的任务描述放后面。这样缓存命中率高，成本就低。

提示：不同工具的缓存机制不一样，有的自动生效，有的需要手动标记。建议查一下你所用工具的具体文档。

4.4 批量任务合并处理

如果你有一批类似的任务，比如给十个文件都加上相同的注释头，不要一个一个问。把十个文件的内容一起贴进去，让它一次性输出十个结果。

这样做的好处是，系统提示词和任务描述只需要携带一次，而不是十次。虽然单次请求的 token 量大了，但总消耗反而更低。

5. 那些我踩过的坑

说了这么多省钱的思路，也聊聊我实际踩过的坑。有些坑是工具本身的限制，有些是我自己的使用习惯问题。

5.1 长会话的"温水煮青蛙"

最开始用 Claude Code 的时候，我习惯开一个会话一直用。前几轮感觉很流畅，到后面越来越慢，我还以为是网络问题。后来看消耗记录才发现，会话到后面每一轮的 token 量都是前面的好几倍。

这个坑的隐蔽性在于，它不是突然发生的，而是随着对话轮次增加慢慢累积的。你感觉不到痛，但账单会告诉你。

现在的做法是：会话超过十轮就考虑重开。如果任务确实需要长对话，那就定期清理无用历史。

5.2 文件读取的"雪球效应"

有一次我让 Codex 帮我重构一个模块。它很"聪明"地读取了所有相关文件，包括一些测试文件和配置文件。结果一次请求就消耗了大量 token，而其中很多文件的内容根本没用到。

后来我学乖了：重构任务先自己理清依赖关系，只把真正需要改的文件喂给它。如果它需要看其他文件，它会问，到时候再给也不迟。

5.3 提示词里的"隐形浪费"

我以前写提示词喜欢加很多礼貌用语和背景铺垫，比如"你好，我有一个项目，这个项目是这样的...，现在我想请你帮我..."。这些内容看起来不多，但每次请求都携带，累积起来也不少。

现在我的提示词风格是：直接说事，不铺垫。比如"改src/app.js第 45 行的 handleClick 函数，改成防抖处理"。简洁明了，模型也能理解。

5.4 模型选择的"惯性"

有一段时间我所有任务都用最强模型，因为"感觉更靠谱"。后来试着把一些简单任务换成中等模型，发现效果几乎没差别，但成本降了一半。

这个坑的本质是"懒"——懒得去判断任务难度，懒得去切换模型。但只要你愿意多花几秒钟判断一下，省下来的钱是实打实的。

5.5 订阅额度的"月底恐慌"

如果你用的是订阅制，额度是按周期重置的。我遇到过好几次月初大手大脚，月底额度不够用的情况。后来我养成了习惯：每周看一眼额度消耗进度，如果发现消耗过快，就及时调整使用策略。

6. 一套可复用的省钱工作流

把上面这些思路串起来，形成一套我日常在用的工作流。你可以根据自己的情况调整。

6.1 任务开始前的三问

每次打开 AI 编程工具之前，先问自己三个问题：

1. 这个任务真的需要 AI 吗？有些任务自己写更快，比如改个变量名、调个格式。这种就别麻烦 AI 了。
2. 这个任务需要多强的模型？根据任务难度选择模型档位，别一律用最强的。
3. 我需要提供哪些信息？提前想清楚需要贴哪些文件、哪些代码段，一次性准备好。

这三个问题花不了半分钟，但能帮你省下不少不必要的消耗。

6.2 会话中的三个习惯

• 精准引用：用文件路径和行号定位，别让模型自己找
• 一次说清：需求、约束、期望格式一次性说完
• 及时断舍：任务完成就关会话，别留着"以后可能还用"

6.3 会话后的两个动作

• 检查消耗：看一眼这次会话花了多少，心里有个数
• 记录经验：如果发现某个写法特别费钱，记下来，下次避免

6.4 一个具体的操作示例

假设我要给一个 React 组件加一个 loading 状态。我的操作流程是：

1. 先自己打开组件文件，找到需要改的地方，确认行号
2. 打开一个新的 Claude Code 会话
3. 输入："改src/components/UserList.jsx，在 useState 旁边加一个 loading state，在 fetch 数据前后设置 loading 的 true/false，在 JSX 里根据 loading 显示一个 spinner。只输出修改后的相关代码段。"
4. 拿到结果，自己贴回文件
5. 关闭会话

整个过程可能只消耗几百 token，而如果开一个长会话慢慢聊，可能要几千 token。

7. 关于"开源节流"的一点个人体会

用了这段时间的 Codex 和 Claude，我最大的感受是：AI 编程工具的成本，很大程度上取决于使用者的习惯，而不是工具本身。同样的工具，不同的人用，成本可能差好几倍。

"开源"和"节流"其实是两个方向。开源是指把 AI 用在真正能提升效率的地方，让它帮你做那些你自己做很费时间的事。节流是指避免把 AI 用在那些它不擅长或者你自己做更快的地方。

我见过一些人，为了"用上 AI"而用 AI，明明自己写两行代码就搞定的事，非要问一遍模型。这种用法，再便宜的工具也是浪费。

也见过一些人，把 AI 当成万能钥匙，什么任务都往上扔，结果消耗巨大但产出有限。

真正划算的用法是：把 AI 用在那些它确实比你快、比你好的任务上，同时用合理的配置和习惯把成本压下来。这样才是真正的"开源节流"。

最后分享一个我最近在用的技巧：如果你发现某个任务反复需要 AI 帮忙，比如每周都要生成类似的报表代码，那就把提示词模板化。把常用的提示词存成一个片段，下次直接调用，既省时间又省 token。这个习惯坚持下来，效果比想象中明显。