AI Agent 省 Token，不是少做事，是少塞廢料

很多人第一次認真使用 AI 寫程式時，會有一個很自然的反應：把能給的東西全部給模型。

規格文件、使用者對話、錯誤 log、整包程式碼、歷史決策、測試結果，只要看起來可能有用，就先丟進去。

這種做法表面上很保險，實際上可能是最昂貴的用法。模型不是因為你塞了更多內容就一定更準；它也可能因為雜訊變多而分心，回答變慢，成本變高，甚至開始在不重要的細節裡繞圈。

Superpowers 6 值得看的地方，不只是它是另一套 AI coding workflow，而是它把「AI agent 為什麼貴」這件事拆回工程問題：不是所有資訊都該在一開始進模型，不是每個審查步驟都該重新讀整包上下文，也不是每次開 session 都應該付同樣大的啟動成本。

以前的直覺：context 越大越安全

大型語言模型的 context window 變大後，很多人以為問題解法也變簡單了：既然裝得下，就全部裝進去。

但在真實工作流裡，context 不是免費倉庫。它會消耗 token、影響速度，也會改變模型注意力。

當你把所有內容都塞進去，模型可能看到了更多資訊，但它不一定知道哪些資訊最重要。更糟的是，任務越長、回合越多、檔案越複雜，這種「先全塞」的成本會一路累積。

這也是 AI agent 與一般聊天框不同的地方。聊天框常常是一問一答；agent 會讀檔、改檔、跑測試、交接任務、做審查。每一個環節都可能重新搬一次上下文。

如果流程沒有設計好，貴的不是模型本身，而是你讓模型反覆讀了太多不必要的東西。

Superpowers 6 改的其實是工作流

Superpowers 6 的核心訊號，是把「省 token」從提示詞技巧拉回流程設計。

它的 v6.0 改寫了 subagent-driven-development 的 task review 流程，把原本可能重疊的審查拆解與交接方式重新整理。公開 release notes 提到，在它自己的 eval 中，Claude Code 和 Codex 約快 2 倍，token 花費約少 50%。這個數字不能當成所有任務的保證，但它指出一件很重要的事：workflow 本身會決定 AI 成本。

v6.1 又往更細的地方做：壓縮 using-superpowers bootstrap。這很關鍵，因為 bootstrap 不是偶爾才付費的內容，而是每個 session 都可能要帶上的啟動資訊。只要它過大，你每次開新工作都在付固定成本。

所以重點不是「少用 AI」，而是讓 AI 在正確的時候看到正確的內容。

省 token 的三個真正問題

第一個問題：什麼東西必須一開始給？

不是所有背景都要先進模型。任務目標、不可違反的限制、目前要改的檔案、驗收方式，通常比整份歷史對話更重要。

第二個問題：什麼東西應該整理後再給？

審查任務最怕模型自己到處翻 commit、diff、log，最後花了很多 token 才拼出要看的內容。更好的做法，是先把要審的差異、metadata、驗收標準整理成 review package，讓模型直接處理高價值內容。

第三個問題：什麼東西根本不該給？

過期的討論、已否決的方案、無關檔案、重複 log、過長的背景故事，都可能讓模型看起來更「有上下文」，實際上只是把注意力稀釋掉。

對一般使用者有什麼啟發？

這件事不只跟工程師有關。

你用 AI 寫報告、分析資料、整理會議、做研究時，也會遇到同樣問題：是不是每次都把全部資料貼進去？是不是讓模型重讀已經知道的東西？是不是把真正重要的問題埋在一堆背景裡？

更好的使用方式，是把 AI 工作拆成階段：

先給任務目標和限制。
再讓模型列出需要哪些資料。
接著只補它真正需要的部分。
最後要求它用可驗證的方式收口。

這比一開始就把所有內容丟進去更慢嗎？不一定。很多時候反而更快，因為模型少讀廢料，你也少付不必要的 token。

下一階段的 AI 工具競爭

過去一段時間，AI 工具常常在比 context window 多大、模型多強、一次能讀多少資料。

接下來更重要的，可能是另一個問題：誰能讓模型少讀垃圾，還能做對事？

這會影響工具設計，也會影響使用者習慣。

真正成熟的 AI workflow，不是把每件事都丟給模型，而是把資訊切成剛好可用的單位，讓模型在需要時讀到，並且能留下可追蹤的結果。

AI Agent 省 Token 的核心，不是少做事。

是少塞廢料，少重複搬運，少讓模型在不重要的內容裡浪費注意力。

你用 AI 工作時，最常浪費 token 的地方，可能不是模型回答太長，而是你一開始給它的東西太亂。

回文章列表