五层 Token 优化模型＋3 个课堂 Demo——先把 Prompt 写确定，再只加载需要的工具，长对话及时压缩，重复任务做成模板和 Skill。
RRay
AI 全栈工程师、AI 产品实践者、Token 优化研究者
Token 优化不是「少说几个字」，而是让进入模型上下文的 Token 尽量都有用。这节课用五层模型（认知 → 输入 → 工具 → 上下文 → 体系）带你从浪费最严重的那一层改起，现场跑 3 个 Demo。
| 1 个指标 | 1 套结构 | 5 层模型 | 3 个 Demo |
|---|---|---|---|
| 有效 Token ÷ 总消耗 Token | 目标 / 输入 / 规则 / 输出 / 限制 | 从「知道钱花在哪」到「可持续」 | Prompt 减肥、上下文瘦身、日志压缩 |
交付承诺三件套：现场实操 ＋ 课件与讲义 ＋ 课后作业。
问题往往不是「话说多了」，而是上下文里塞了太多跟这次任务无关的东西。
先算清一次任务的 Token 花在几块地方，再认识四种最常见的浪费；然后进入输入层四个动作，用三个示例（把猜指标变成执行公式、System Prompt 减肥、限制输出）和一张万能模板，把「越短越好」纠正成「越确定越好」。
模型分级选择与脚本优先；工具四原则与 RTK；上下文层四件事（一事一会话、交接摘要、按需取文件、确定性过滤先交给脚本）；三个课堂 Demo 现场演示 Prompt 减肥、长对话压缩、工具输出压缩；另附 Context Mode 与 CodeGraph 两个进阶思路。
体系层四件事（持续度量、模板化、批处理、缓存友好）；25 项课后自查清单与四问极速版；工具地图与两个可复制 Prompt；收尾三个动作（少喂、少吐、多复用）；延伸实践：把 Prompt 优化器做成你自己的第一个 Skill。
本课程共 3 节课 + 1 个作业，按「五层 Token 优化模型」从下往上走。不用一步到位，从浪费最严重的一层开始。
一次任务的 Token 构成与两个最值得先记住的认知；四种常见浪费；输入层四个动作；三个示例 Prompt 与万能模板；课堂 Demo 1：Prompt 减肥。
模型分级与脚本优先；工具四原则与 RTK；上下文层四件事；课堂 Demo 2 与 Demo 3；进阶思路：用 Context Mode 把原始数据挡在上下文之外，用 CodeGraph 让 Agent 别现场翻仓库。
体系层四件事；25 项自查清单与四问极速版；工具地图；收尾三个动作与记忆口诀；两个可复制 Prompt；延伸实践：把 Demo 做成一个 Skill 并发布出去。
一句话：用尽可能少的无效 Token，获得尽可能高质量的结果。
优化不是一次性的「瘦身」，而是一个可度量的循环：先找到最大的漏点，再动手改；改完再量一次。
真正要减少的，是模型猜测、无关历史、重复背景、过量工具定义、冗长日志、无效输出和返工。
记住那句口诀：该省省、该拆拆、该缩缩。
