---
title: "2.1 AI 编程的经济学"
description: "理解 Token 机制与成本优化"
chapter: "第二章"
priority: "🔴"
---

# 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

::: tip 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。

:::

::: tip 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。

:::

**试试 Token 计算器，直观感受文本和 Token 的关系：**

<TokenCalculator />

::: tip 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**。

:::

::: tip 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 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

```mermaid
graph LR
    A[你的请求] --> B[AI 读取上下文]
    B --> C[模型处理]
    C --> D[生成回答]

    B --> E[输入 Token<br/>项目文件 + 代码 + 历史对话]
    D --> F[输出 Token<br/>生成的代码 + 解释]

    style E fill:#e1f5fe
    style F fill:#fff3e0
```

**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

::: tip 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

| 原则 | 说明 |
|-----|------|
| **指定路径** | 指定文件/文件夹路径，缩小 AI 搜索范围 |
| **明确范围** | "登录功能有问题"比"项目有问题"更聚焦 |
| **删除客套** | 无需"请"、"谢谢"、"如果可能的话" |
| **直接说事** | 直接描述任务，无需客套和铺垫 |

### 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"
```

## 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，等待你的确认，而不是强行编造。

### Q3: GLM 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](../01-environment-setup/06-models-and-tools.md)
- 详见：[2.2 VibeCoding 工作流](./02-vibecoding-workflow.md)