同样是让 AI 写一份活动方案，有人十分钟拿到能用的版本，有人聊了两个小时，越改越乱。后一种人往往并没有问更多问题。他只是不断说：不对，再改改。每一次改动，AI 都要带着旧要求、旧答案和旧错误重新读一遍。前面的弯路没有消失，它们躺在上下文里，继续收过路费。
一地废稿，往往比最终答案更烧钱。
一上来就让 AI 开工，最容易买到返工
帮我做一个完整 App；帮我策划整场峰会；帮我把公司资料全部整理好。这些要求听起来很有魄力，实际却把最难的判断全藏起来了：做给谁、解决什么问题、有哪些现成方案、哪些东西不能动、怎样才算完成？人没说，AI 只能猜。
猜对了叫惊喜。猜错了，就是一轮又一轮推倒重来。
复杂任务更适合先调研，后执行。让 AI 先查现成项目、成熟模板和可复用工具，列出两三条路线，说明每条路线的代价。方向定了，再让它做。对于不懂开发的人，这一步尤其值钱，因为你很难在成品出来前发现技术路线选错了。
文职工作也是同一个道理。写会务手册前，先让 AI 盘点已有流程、缺失信息和同类模板；做数据汇报前，先确认指标口径。别急着要成品，先确认它到底准备做什么。
规则越多，不一定越省
这事有点反直觉。很多省 Token 工具会给 AI 加上一大串规则：少解释、少读文件、少测试、优先复用、限制回复长度。单看每条都挺合理，叠在一起却可能让模型在动手前想得更久。
卡尔的 AI 沃茨在一轮公开测试中，把六种号称省 Token 的 Skill 放进同一道世界杯网页任务。结果没有一种更便宜，成本比不装 Skill 的对照组高出 33.5% 到 222.8%；质量分数倒是持平或更高。
钱花去哪了？其中一组数据很刺眼：不装 Skill 时，模型的思考用量是 12420 Token；加入 Codex Token Skills 后变成 36217 Token，可见输出只多了 630 Token。新增开销里，绝大部分是模型在消化和协调规则。
这不能证明 Skill 没用。那轮测试也发现，Ponytail 在一个明确的卡通激光眼任务中，把代码从 675 行减到 488 行，功能没有少。差别在场景：规则明确、重复性高的任务，约束可能帮忙；创意要求多、目标互相牵扯的任务，规则容易变成脑内堵车。
好的路由，是只把相关东西递给 AI
一个简单的文案请求，没必要先加载数据分析手册、图片生成规则、合同审核流程和几十个工具说明。可不少 Agent 就是这么工作的：有什么全塞进去，再让模型自己选。像去餐厅点一碗面，服务员先把整本菜谱从头念到尾。饿都饿过劲了。
更好的办法叫精准路由。这个词听着像架构课，翻成日常话只有四步。
一个公开案例采用了四层路由：用领域快筛、关键词与语义匹配、置信度分级、任务指纹，把四十多个 Skill 缩到两三个候选。案例报告了很高的节省比例，但那是特定系统和任务得出的结果，不该照搬成所有人的承诺。把方法借走，百分比留在那个案例里。
把不确定性放在开工前解决
好用的 AI 协作，会把关键分歧提前到开工前。提示词写得再像法律条文，也替代不了这一步。
这段提示词多花了一点输入，却可能挡住后面几万字的废稿。把字花在便宜的澄清上，才能减少昂贵的推翻。
发现方向错了，也要尽早叫停。别因为 AI 已经写了很多，就舍不得停止。沉没成本不只属于人，聊天记录也会背着它继续跑。不对就停，改清要求，再来。
别把少说话误当成会办事
输出短，账面上可能好看；该查的资料没查、该验证的结果没验证，省下来的 Token 会在返工时加倍讨回去。
那篇六种 Skill 实测最有意思的地方，正是它没有只数代码行数。某个 Token Saver 把四张角色卡片共用一套 SVG 模板，代码确实大幅变短，基本交互也在，但四个角色的差异被压扁了。对于只求能用的内部页面，这可能够了；对于靠视觉取胜的展示项目，这就是质量损失。
先把路走直，再谈跑得多快
AI 越用越贵，未必是模型涨价，也未必是你问得太多。功能越堆越多、资料越塞越满、规则越写越长，它每次开工前都要穿过一片更密的灌木丛。
- 先调研，再选路线
- 只加载相关资料
- 不确定时先问
- 高频任务做成模板
- 方向错了立即停
这几步没有神奇的 90%，但它们能少掉很多真实的返工。