如何用 TRAE 更省钱（中）｜10 个 Token 节省技巧

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。

• 「信息是否必要」只提供与当前任务直接相关的信息。问自己："AI 完成这个任务，真的需要这些信息吗？"避免投喂整个项目或无关的文档。

• 「指令是否清晰」使用清晰、无歧义的动词和限定词，避免使用"优化一下"、"处理一下"等模糊指令。

• 「角色是否设定」为 AI 指定一个明确的角色（如"资深 Go 语言架构师"、"代码审查专家"），能让其输出更聚焦、更专业。

• 「格式是否指定」明确要求 AI 的输出形态，如"返回 JSON 格式"、"使用 Markdown 表格"，能避免后续不必要的格式转换和沟通。

• 「示例是否提供」对于复杂或特定的输出要求，"Show， don't tell"。提供一个简单的输入输出示例，比大段的文字描述更有效。

10 个技巧教你更会管理上下文

技巧一：适时新开对话，保持任务焦点

对话历史是 Token 消耗的隐形杀手，在持续的对话中，每一轮的交互记录都会被累积并作为新的上下文发送给 AI。当一个对话承载了多个不相关的任务时，历史信息不仅会占用上下文窗口，还会形成信息噪声，干扰 AI 对当前任务的理解。

场景举例

• 任务切换时： 刚修复完一个 Bug，现在要开始开发一个新功能。

• 对话过长时： 你发现已经和 AI "聊"了半个下午，它的回复开始变慢，或者需要你反复提醒之前的要求。

• AI 陷入困境时： AI 连续几次都没能解决你的问题，开始重复给出错误的方案，或者"钻牛角尖"。

如何做

• 一事一议： 遵循"一个任务，一个对话"的原则。当你要从"改 Bug"切换到"写文档"时，果断点击"新对话"按钮。

• 及时停止过长对话： 当一个对话已经持续了十几轮甚至几十轮，感觉 AI 的响应开始变慢或出现偏差时，应主动开启新对话或者使用上下文压缩。

• 携带关键信息开启新对话： 如果新任务需要旧对话中的某些背景，将旧对话中由 AI 或你总结的最终结论、关键代码片段或核心设计，作为初始背景信息复制到新对话中。

• 果断打破无效循环： 如果 AI 连续 3 次没修好一个问题，不要继续纠缠， 把当前代码回滚或整理思路后，新开一个会话，重新描述问题。

技巧二：精准限定范围，减少噪声输入

向 AI 提供上下文时， "少即是多"是一条黄金法则。 喂给 AI 过多无关或冗余的信息，就如同让一个人去图书馆帮你找一段资料，你却把整排书架的书都推到他面前。AI 需要花费额外的计算资源（Token）去阅读、理解和筛选这些无关信息，这不仅增加了成本，还极大地提高了它被误导、抓错重点的风险。

场景举例

• 代码分析： 需要 AI 审查或修改一个大项目中的某个具体函数。

• 文档问答： 想基于一份几十页的产品文档，询问其中某个功能的具体设计。

• 问题排查： 需要 AI 帮忙分析日志文件，但只有特定时间段的日志与问题相关。

如何做

• 用「#」精准引用：T RAE 支持多种类型的上下文引用能力，在处理复杂项目时，通过 # 符号引用相关文件或代码片段，能够让 AI 能够更好地理解您的意图和项目背景。尽量引用具体的函数、类 或 代码块，而不是整个文件。例如： #UserService.login 比 #UserService.ts 节省 Token。

• AI 描述指定明确的路径： 如果你知道具体文件路径，直接告诉 AI，而不是让它搜索。指定行号范围读取文件，避免读取整个大文件。例如："请检查文件 /src/utils/auth.go 的第 88 到 105 行，是否存在安全漏洞。

• 只添加必要文件 ： 比起习惯性地把整个文件夹或大量无关文件加入 Chat，只添加相关文件和代码会更节约 Token。

技巧三：优化输入内容，有效沟通

与 AI 沟通，就像给下属分配任务。指令越清晰、具体，包含的背景信息越充足，对方就越能一次性产出符合你预期的结果。模糊或过于宽泛的指令（比如"优化下这段代码"）容易导致 AI 的猜测和试错，每一次返工，都是对 Token 和时间的双重浪费。

举个🌰：比起"优化这段代码"，"重构这段代码，将其中处理用户验证的逻辑提取到一个独立的函数中，并增加错误处理机制"更容易获得符合预期的回答。

场景举例

• 代码生成： 需要 AI 帮你写一个新功能或模块。

• 文档撰写： 让 AI 帮你起草一份技术方案。

• 复杂查询： 需要 AI 结合多个条件进行分析和总结。

如何做

• 明确角色与格式： 在指令开头为 AI 设定一个角色（如"你是一位资深前端架构师"），能让它的输出更专业。同时，明确你想要的输出格式（如"请以 Markdown 表格形式返回"）。

• 一次性把话说完 ： 尽量在一个 Prompt 里包含所有必要约束条件（如：使用什么库、在这个文件改、不要动原有逻辑等）。

• 提供伪代码或思路 ： 如果你心里有方案，可以直接告诉 AI。让 AI "填空"比"开放式作文"更省 Token，也更准确。

• 善用内置优化： TRAE IDE 内置了 Prompt 优化能力，在 AI 对话输入框中输入 Prompt 后，点击 优化输入内容 按钮，让 AI 帮你将口语化的表达转化为结构更清晰、信息量更丰富的专业指令。你还可以修改或者重试，完善输入内容。

技巧四：批量处理，降低交互频率

每一次与 AI 的交互，都是一次完整的"请求-响应"循环，其中包含了上下文处理、模型推理等多个环节，这些都会产生固定的开销。频繁、碎片化的"你问一句，我答一句"，就像不停地拨打电话，每次都要重新寒暄一遍，效率低下。将多个相关的子任务打包成一个结构清晰的复合指令，一次性发给 AI，能让它在更完整的语境中思考，减少重复的上下文开销。提升整体效率。

场景举例

• 多文件修改： 需要在项目的多个组件中，进行类似的样式或逻辑调整。

• 关联任务流： 需要 AI 先创建一个组件，然后为这个组件编写测试用例。

• 并行信息检索： 需要 AI 同时帮你查找好几个不同问题的资料。

如何做

在发起请求前，思考是否可以将多个相关步骤合并为一次性指令。

• 并行执行搜索： 需要搜索多个内容时，让 AI 一次性并行搜索。

• 合并相似操作： 需要修改多个相似的地方时，一次性说明所有修改点。例如："请在以下三个组件中（Button.tsx ， Card.tsx ， Input.tsx ），将所有 color="primary" 的属性改为 variant="solid" 。"

• 打包完整任务流： 将相关联的问题打包，让 AI 一次性返回所有结果。

  示例："请创建一个新的 Button 组件：

1. 使用 TypeScript 和 Styled-components。

2. 支持 primary 和 secondary 两种变体。

3. 同时 为这个组件编写 Jest 单元测试，覆盖点击事件和样式渲染。"

技巧五：主动引导输出，给出辅助指令

AI 的输出同样会消耗 Token，冗长、无关的输出还会增加你的阅读和筛选成本。默认情况下，AI 倾向于提供详尽的解释、完整的代码块以及友好的寒暄，但在很多场景下，这些都是不必要的。通过在指令中明确输出的范围和格式，可以有效减少不必要的生成内容，实现"精确打击"。

TRAE IDE 最新提供了 Question 功能 ，支持模型主动向用户提问（Ask User Questions） ，一般是在执行任务过程中，AI 遇到多种可行方案或需要了解用户偏好时，会主动暂停并向用户提问，确保最终结果符合你的预期。

场景举例

• 快速拿到代码： 你很清楚自己要做什么，只是需要 AI 帮你快速生成一小段代码。

• 格式化输出： 你需要 AI 返回特定格式的数据，如 JSON 或 Markdown 表格，以便直接用于后续程序。

• 避免模型持续陷入循环： 发现 AI 开始"胡言乱语"或在同一个错误上反复打转。

如何做

• 打开智能体主动提问（Question ）： 除 Chat 和 Sub Agent 之外都支持模型主动提问，你可以在设置中手动开启/关闭这一功能，让模型引导你澄清问题。
• 明确要求"不要解释"： 在你的指令末尾加上一句"直接给出代码，不要解释"或"只需要最终结果，无需分析过程"。
• 指定输出格式： 明确告诉 AI 你想要的格式，例如："请将对比结果以 Markdown 表格的形式返回"。
• 主动打断无效输出： 当发现 AI 的输出已经偏离主题或明显错误时，立即点击"停止生成"。不要等它生成完几百行错误代码再告诉它错了，那几百行代码的 Token 你已经白白支付了。

TRAE IDE 内置了智能死循环检测，当实时监测到模型在反复输出同样或类似的内容时，会自动中断生成，主动为你避免无效的 Token 消耗。

技巧六：先计划再行动，用 Plan / Spec 驾驭复杂任务

对于复杂的开发任务，比如从零开始搭建一个新模块或进行大规模重构，直接让 AI "开干"风险很高。它可能会误解你的意图，或者选择一个不理想的技术路径，导致后期大量的返工。Plan/Spec 模式的核心思想是"谋定而后动"。在动手写代码前，先让 AI 生成一份详细的开发计划或规格说明书，你确认了它的思路和步骤后，再让它执行。

SOLO Coder 已经支持 Plan 和 Spec 模式，在处理复杂任务时，可以先开启 Plan/Spec 再发送指令。

往期文章：一文理解 Spec 模式。

当你需要从零搭建新系统、新模块或进行大规模跨文件重构时，Spec 模式下，SOLO Coder 在动手写代码之前，会自动生成需求大纲（spec.md）→ 任务清单（tasks.md）→ 验收标准（checklist.md） ，再进入开发，确保 AI 理解并正确执行意图。

spec.md

tasks.md

checkilst.md

场景举例

• 从零搭建新系统： 需要规划一个全新项目的技术栈、目录结构和核心模块。

• 中小型功能开发： 需要创建一个包含多个文件和函数的新功能。

• 模块级重构： 需要对现有代码进行结构性调整，涉及多个文件的改动。

如何做

• 使用 /plan 命令： 对于中等复杂度的任务，在对话框输入 /plan 然后跟上你的需求。AI 会先输出一份详细的执行计划（比如会创建哪些文件、修改哪些函数），你检查并同意后，它才会开始写代码。

• 使用 /spec 命令： 对于更复杂、系统性的任务，使用 /spec 。AI 会依次生成需求大纲 （spec.md） -> 任务清单 （tasks.md） -> 验收标准 （checklist.md）。 你需要逐一确认这些文档，AI 才会进入最终的代码实现阶段，确保每一步都在你的掌控之中。

技巧七：善用上下文压缩，为对话"减负"

随着对话的进行，上下文会不断累积，最终可能超出模型的最佳处理范围，导致其"遗忘"对话早期的关键信息，或者将注意力过多地分散在不重要的细节上。

上下文压缩功能，如同为长篇会议记录划重点，它通过智能算法提炼出对话至今的核心信息，去除冗余和不重要的部分，形成一个精简版的"会议纪要"。这能帮助模型重新聚焦于最重要的任务背景，同时减少后续交互的 Token 消耗。

场景举例

• 任务阶段性完成时： 一个复杂任务的第一阶段（如"需求分析"）已结束，即将进入第二阶段（"技术设计"），此时压缩一下，让 AI "忘记"第一阶段的讨论细节，只记住结论。

• AI 响应质量下降时： 你发现 AI 的回答开始变得不着边际，或者反复纠结于之前已经解决的问题，这通常是上下文过于臃肿的信号。

• 对话主题轻微转移时： 虽然我们推荐用新对话处理新任务，但有时在同一对话内，任务的焦点也会发生细微变化。在变化发生前，压缩一下上下文，有助于平稳过渡。

怎么做？

TRAE IDE 提供了上下文进度展示与压缩能力：当上下文过长时系统会自动压缩，你也可以手动触发，将冗余信息折叠起来，保留真正有价值的部分，让模型更聚焦。

• 手动压缩： 在 TRAE IDE 中，当对话轮数增多，你会看到上下文进度条变长。可以点击压缩按钮，手动为对话"减负"。

• 自动压缩： TRAE IDE 也内置了自动压缩机制。当检测到上下文接近临界值时，系统会自动在后台进行智能压缩，保证对话的流畅性。

技巧八：固化长期知识，构建专属"工具库"

在日常工作中，我们有大量的个人偏好、团队规范和项目约束是长期不变的。如果每次都在对话中重复声明（例如，"我们的代码风格是 a"、"禁止使用 b 库"、"接口返回格式必须是 c"），可以将这些"长期知识"固化到 AI 工具的配置中，充分利用 TRAE 提供的 Rules（规则）、Skills（技能）、Memory（记忆）等功能，提高效率。

场景举例

• 个人编码习惯： 你偏爱函数式编程，或习惯使用特定的命名法。

• 团队开发规范： 团队有统一的 Git 提交信息格式、目录结构约定等。

• 项目特定约束： 当前项目必须兼容某个版本的浏览器，或者必须使用公司内部的某个 UI 组件库。

如何做

TRAE 提供了三种构建工具：Rules（规则）、Skills（技能） 和 Memory（记忆）。

• 使用 Rules 固化个人习惯和项目级约束：

1. 通过配置个人规则，可以避免重复输入相同的要求。例如，希望模型始终输出中文，默认遵循程序员的最佳实践，生成简洁、解耦的代码，而不是冗长的实现。配置规则后，模型生成的代码会更符合个人编码习惯和标准。
2. 通过配置项目规则，定义那些在整个项目生命周期内都应遵守的、硬性的、不变的规范。

更多关于 Rules 的最佳实践可阅读：如何让 AI 更"听话"｜Rules 高效使用指南

• 使用 Skills 模板化高频任务流：

一个 Skills 通常以一个文件夹的形式存在，里面主要装着三样东西：一份说明书（SKILL.md）、一堆操作脚本（Script）、以及一些参考资料（Reference）。你可以把一个 Skill 想象成一个打包好的"技能包"。它把完成某个特定任务所需的领域知识、操作流程、要用到的工具、以及最佳实践全都封装在了一起。当 AI 面对相应请求时，就能像一位经验丰富的专家那样，有条不紊地自主执行。

更多关于 Skills 的最佳实践可阅读：从理解到应用 | 在 TRAE 中快速上手 Skills

• 打开 Memory 保存你的偏好

TRAE 国际版已经支持 Memory（记忆）功能，记忆由 TRAE 自动生成和更新，以保持对话间的上下文。支持全局记忆和项目记忆两种类型，这些"记忆"能让 AI 在新会话或跨项目协作时，也能快速适应你的工作风格和团队的特定语境，减少沟通成本，提升输出一致性与协作效率。

技巧九：配置 Ignore 文件，从源头切断噪声

在大型软件项目中，通常会存在对 AI 理解代码逻辑没有帮助、但体积较大的文件或目录。在项目根目录把体积大、噪声高内容明确排除掉，例如**dist/ **、**build/ **、日志文件、测试覆盖率报告等，可以避免在引用文件、全局检索或自动收集上下文时，不小心把这些带进对话上下文，导致 Token 飙升。

场景举例

• 当你使用 AI 的全局搜索或代码库分析等功能时。

• 在添加项目文件到对话上下文时，避免误操作。

如何做

• 配置忽略文件： 类似于 .gitignore ，你可以在 TRAE 添加需要忽略的文件列表，这些规则将作为 .gitignore文件中已定义规则的补充。

技巧十：根据任务选择模型，利用模型优势

不同的语言模型在能力、速度和成本上存在显著差异。通常，能力更强、上下文窗口更大的模型，其单位 Token 的价格也更高。由于不同模型在开发过程中的不同环节各有所长，选择模型的核心并非"哪款模型最优"，而是哪款模型最适配你要交付的任务。在实际应用中，并非所有任务都需要"最强大脑"来处理。根据任务复杂度和成本要求选择合适的模型，能够有效帮助成本控制。

除此之外，我们不建议你在同一个任务中频繁地切换模型，因为每一次模型切换会清空缓存，导致输入 token 增长，如需切换模型，可以总结核心内容带到新的会话中，参见技巧一。

场景举例

• 日常编码： 编写常规的业务逻辑、修复简单的 Bug、写单元测试等。

• 复杂任务： 进行大型代码库的重构、设计新系统的架构、分析复杂的性能问题。

• 特定领域： 需要生成前端页面（可能需要审美能力强的模型），或进行特定语言的深度优化。

如何做

• 简单任务用"性价比"模型： 对于日常的、重复性高的编码任务，优先选择价格更低的国产模型。它们速度快、成本低，足以胜任大部分工作。
• 复杂任务用"高性能"模型： 当你遇到真正的挑战，比如需要深度思考的架构设计、跨模块的大型重构，或者当前模型陷入困境无法解决问题时，再切换到更强大的模型。把钱花在刀刃上。
• 打破思维定式： 如果发现当前模型陷入了思维的死胡同，不妨切换到另一个不同系列的模型试试。不同模型在代码生成、问题分析上的"思路"和风格差异，有时能给你带来意想不到的启发。

模型选择思路可参考：模型选择指南｜TRAE 中国版 SOLO 模式

国际版模型选择思路文章也正在输出中，敬请期待！

写在最后：TRAE 在上下文管理方面的优化

除了提供主动式上下文管理能力外，TRAE 还在产品层面进行了深度优化，帮助各位开发者降低 Token 消耗与使用成本。

• 智能死循环检测： 实时监测模型推理状态，发现循环输出主动中断，避免产生更多无效空耗。

• 缓存命中率优化： 通过上下文结构与编码策略优化，提升 Context Caching 的命中率，直接降低实际计费成本。

• 智能上下文压缩： 在不影响理解与生成质量的前提下，自动对历史对话进行无损压缩；配合异步处理机制，同时实现"省量"与"提速"。

• Agent 任务分层架构： 将代码搜索、文件检索等高 Token 消耗任务交由子 Agent 独立处理，保持主对话上下文的纯净与轻量。

• 模型定向优化： 针对不同模型的特点定制系统提示词，充分发挥各模型优势，提升效率并降低冗余消耗。

你有哪些管理上下文、高效利用用量的小技巧？欢迎在评论区分享呀！

下一篇《如何用 TRAE 更省钱（下）》，我们将为大家带来 TRAE 国际版模型选择指南哦！