龙虾降低Token成本的技巧

原视频链接：http://xhslink.com/o/6RO6lT3Nzhg

一句话总述
这条视频主要讲：想把 AI/Agent 的 Token 成本降下来，核心不是少用，而是用对命令、把重复活脚本化、按任务匹配不同模型。

视频内容总结

第一个技巧：善用命令行/斜杠命令
视频里提到，一些命令是直接作用于系统流程的，不需要像普通聊天那样带着大量上下文反复推理，所以更省 Token。
重点提到几类：

/new：开启新对话，丢掉很多旧上下文，减少模型每次都回看历史的消耗

/restart：相当于重启当前助手状态，只保留必要信息重新开始

/stop：当模型开始朝错误方向长时间思考时，及时打断，避免继续烧 Token

/compress：压缩记忆/上下文，把重要内容保留、次要内容折叠，降低后续对话成本

第二个技巧：能用程序解决的，就不要让大模型反复解决
这是视频里很重要的一点。
如果某件事是重复执行的，例如：

定时检查邮件

抓取新闻简报

周期性读取某个接口

固定格式的数据整理
那就应该让 AI 先帮你写成脚本/程序，以后优先跑脚本。
因为脚本主要消耗的是本地计算资源，不像大模型那样每次都重新理解、推理、输出，自然会便宜很多。

第三个技巧：不同任务用不同模型，各司其职
视频强调，不是所有任务都值得上最贵的模型。
更合适的做法是：

高难度任务：比如复杂 coding、推理，才用更强更贵的模型

常规任务：比如简报整理、资料汇总、文档生成，可以用便宜很多的模型

信息搬运/收集类任务：甚至只需要一个足够便宜、稳定的模型即可
核心思想就是：不要用顶配模型干低价值重复活。

作者自己的降本案例
视频里作者说，自己原来一天的 AI 使用成本非常高，后来通过上面这些方法，把花费从很高的水平降到了几十美金，甚至 10 美金左右。
也提到一个具体例子：
之前让 AI 频繁检查邮件，导致 Token 消耗很快；后来改成脚本先检查、只有发现新内容时再交给模型处理，成本就明显降下来了。

延伸思路：多 Agent / 子任务分配
视频后半段还提到，可以把一个大助手拆成多个角色或多个子任务流：

便宜模型负责收集、整理、传话

贵模型负责真正需要高质量推理和判断的环节
这样整体协作下来，也能进一步压低总成本。

适合转发的简短版
这条视频讲了 3 个省 Token 的核心方法：

少带无关上下文：善用 /new、/restart、/stop、/compress

重复任务脚本化：能让程序做的别让大模型次次重新想

模型分层使用：贵模型做难事，便宜模型做整理、汇总、搬运

一句更口语的版本
别拿最贵的模型干重复杂活，先清上下文、再把重复流程写成脚本、最后按任务分配模型，Token 成本就能明显降下来。