2.1 AI 编程的经济学 🔴

阅读完本节后，你将会收获：

• 理解 Token 是 AI 模型的计价单位，掌握输入/输出 Token 的计费机制
• 建立成本意识，学会通过精准提示词控制 AI 上下文范围来优化成本
• 掌握提示词优化的核心原则：指定路径、明确范围、删除客套话
• 理解上下文大小与花费的关系，学会避免不必要的 Token 消耗

序言中提到的"模型决定代码能力的速度和上限"，以及成本意识在 AI 开发中的重要性。Token 就是钱，每次调用模型都在消耗真实的费用。

工具安装与配置详见：1.6 模型与工具 (../01-environment-setup/06-models-and-tools.md)

前置知识

什么是 LLM

LLM（Large Language Model，大语言模型）是基于海量文本训练的 AI 模型，能够理解和生成人类语言、代码等。

什么是 Token

Token 是 AI 模型的计价单位，也是模型处理文本的基本单元。

换算关系：

• 1 个汉字 ≈ 1 Token
• 1 个英文单词 ≈ 0.75 Token
• 1 行代码 ≈ 5-15 Token

模型按照输入（Prompt）和输出（Completion）的 Token 数量计费。

什么是 输入/输出 Token

输入 Token（Input）：你发送给模型的内容（提示词、代码、上下文）

输出 Token（Output）：模型生成的内容（代码、解释、回答）

花费怎么算：输入和输出的 Token 数量都会计费，输出通常比输入贵一些。

但作为用户，你不需要记住具体单价——工具会显示每次调用的花费，用完了充值即可。重要的是理解：上下文越大，花费越高。

什么是 Context Window

Context Window 是模型能处理的上下文长度上限，以 Token 为单位。GLM-4.7 支持 200K 上下文，足够处理完整的大型文件和长对话。

超出上限会自动压缩：当上下文接近或超出限制时，模型会自动压缩早期的对话内容，保留最新和最相关的信息。这可能导致部分历史细节被简化或忽略。

核心概念

花费从哪里来

核心理解：

• 单次调用很便宜，但累积起来也是钱
• 上下文越大 = 花费越高：读取整个项目 vs 只读一个文件，差异是数量级的
• 频繁调试时要注意：循环修改会不断累积 Token

如何控制花费

大多数 AI 编程工具都会：

• 显示每次调用的 Token 数和花费
• 提供套餐或使用额度
• 额度用完后提醒你充值

你不需要记住具体单价，但需要养成好习惯（见下一节）来减少不必要的消耗。

成本与质量优化策略

关键认知：提示词本身通常很少，真正消耗 Token 的是 AI 读取的上下文——也就是为了让 AI 理解你的需求而必须加载的项目文件、代码、历史对话等。

因此，提示词优化不是在"打磨话术"，而是减少 AI 需要读取的上下文范围，同时控制输出长度。

上下文范围既影响成本，也影响质量：精准的上下文让 AI 聚焦问题，输出更准确；无关的上下文会分散注意力，增加错误概率。

优化原则：

• 指定文件/文件夹路径 —— 缩小 AI 搜索范围
• 指明功能范围 —— "登录功能有问题"比"项目有问题"更聚焦
• 删除客套话 —— 无需"请"、"谢谢"、"如果可能的话"

示例对比：

❌ 模糊提示（AI 读取更多上下文）：
"帮我看看项目里有没有什么问题，然后修复它"
→ AI 不确定从哪里开始，可能读取大量无关文件

✅ 精准提示（AI 聚焦相关区域）：
"帮我看看登录功能有什么问题，然后修复它"
→ AI 自己定位登录相关文件，只读取必要上下文
→ 或者更直接："修复 src/auth/login.ts 第42行的类型错误：user可能为null"

不需要设定"专家角色"

很多人习惯在提示词开头加"你是一位资深的 React 专家..."——这是多余的。

CLI 工具或 AI IDE 的系统提示词已经包含了角色设定和编程语言上下文。你只需要直接描述任务，AI 会根据项目类型自动适配。

直接说事比"先设定角色再说事"更高效。

实战建议

关注使用情况

AI 编程工具通常会显示每次调用的 Token 数和花费。你也可以在对应模型的开放平台查看详细使用情况。

额度用完就充值——就像话费流量一样，不需要过度焦虑，但要有意识地避免浪费。

成本意识检查清单

• 指定文件/文件夹路径
• 指明功能范围
• 删除客套话
• 定期清理对话历史

常见问题

Q1: Token 超限怎么办？

通常不会超限 —— AI 会自动切分读取大文件。但如果遇到超限错误，说明项目规模已经需要工程化了：

• 考虑拆分项目（monorepo 或微服务）
• 清理对话历史，开启新会话
• 使用 .gitignore 排除不需要 AI 读取的文件

Q2: 为什么有时候模型会瞎编？

这是"幻觉"问题，所有模型都有。解决方法：提供明确的上下文，让 AI 不确定时明确说出来。

Q3: GLM-4.7 能力够用吗？

够用。

核心理念

上下文决定花费和质量，直接比客套更重要。

指定路径或功能范围，让 AI 只读取必要上下文。精准上下文既省钱，又让输出更准确。

相关内容

• 前置：1.6 模型与工具
• 详见：2.2 VibeCoding工作流详解