6.5 Vibe Coding 的成本思维

意图的性价比

把前几节的知识串联起来，我们得到一个核心结论：Token 是要钱的，上下文窗口是有限的。

这意味着你在和 AI 对话时，每次"说话"都涉及成本。不是在花钱的意义上——很多个人用户是订阅制的，不按 Token 计费——而是在"效率"的意义上。你消耗的每一个 Token 都在占用上下文窗口，都在消耗 AI 的处理资源，都在影响最终的产出质量。

所以，"会说"和"不会说"之间的差距，比你想的大得多。

这引出一个关键概念：意图的性价比——你用多少 Token 传达了多少有效信息。同样一个需求，表达方式不同，AI 的理解质量、回复质量、迭代次数，可能天差地别。

高性价比 Vibe vs 挥霍型 Vibe

我们来对比两种极端的对话风格，看看它们在 Token 消耗和产出质量上的实际差距。

挥霍型 Vibe：低信息密度

用户："嗯……我想做一个 App……嗯就是一个那个……就是那种记录习惯的工具。你知道吧，就是每天打卡的那种。对对对，类似那种。但是呢我还想它有统计数据……就比如柱状图啊什么的……你觉得我应该用什么做？"

这条提示词的问题分析：

• 填充词（嗯、那个、就是、你知道吧）占用了约 30% 的 Token，却传递了零信息量。
• 描述模糊："记录习惯的工具"——是手机 App 还是网页？复杂程度如何？用户群体是谁？
• 缺少技术约束：没有指定平台、技术栈、设计偏好。
• 向 AI 提问"你觉得我应该用什么做"——把决策权交给了 AI，结果 AI 会给你一堆选项，你又得再花几轮去筛选。

AI 可能的回应： 先猜你在说什么，给你 3~5 个技术选项，解释各自的优缺点。你看了之后说"那就用 React 吧"，AI 又问具体需求。一轮、两轮、三轮——到第五轮才真正开始写代码。前几轮的 Token 几乎全部浪费在"对齐需求"上。

消耗估算：

• 第 1 轮提示：约 120 Token（含大量填充词）
• AI 回应：约 500 Token（推荐技术栈）
• 第 2 轮："选 React……" 约 80 Token
• AI 回应：约 400 Token（确认选型）
• 第 3 轮："具体功能是……" 约 200 Token
• ...
• 到真正产出可用代码：至少 4~5 轮，累计消耗 3000~5000 Token。

高性价比 Vibe：高信息密度

用户："请帮我用 HTML + CSS + JS 做一个习惯打卡工具，功能包括：添加习惯、每日打卡、过去 7 天的热力图。全部放在一个文件中。"

这条提示词的优势：

• 问题描述、技术约束、功能清单、文件结构，全部在 60 个汉字内说清楚了。
• 零填充词，每个字都有信息量。
• 指定了具体的技术栈（HTML + CSS + JS），AI 不需要猜测。
• 明确约束条件（全部放在一个文件中），减少后续的调整轮次。
• 需求边界清晰（三个功能，不包含用户系统、数据导出等扩展功能）。

AI 可能的回应： 直接生成一个完整的可运行的 HTML 文件，包含全部三个功能。你测试一下，然后说"把热力图改成周视图"，第二轮就搞定了。

消耗估算：

• 第 1 轮提示：约 60 Token
• AI 回应：约 800 Token（完整的代码文件）
• 第 2 轮：修改需求，约 30 Token
• AI 回应：约 500 Token（修改后的代码）
• 总计：约 1400 Token，2 轮搞定。

对比总结：

维度	挥霍型 Vibe	高性价比 Vibe
达到可用结果所需轮次	4~5 轮	2 轮
总 Token 消耗	3000~5000	约 1400
时间成本	15~25 分钟	5~8 分钟
你的体验	烦躁、反复解释	流畅、一次到位

你可能觉得这是"写提示词的技巧"，但我更愿意把它称为成本思维——你在用最少的 Token 传递最大的信息量。

更多实战对比

为了让这个对比更具体，再看几个常见的场景。

场景 1：修复 Bug

挥霍型：

"我的代码报错了，你看一下……就是那个什么……TypeError……我也不知道怎么回事，你帮我看看？"

AI 需要先问你是什么代码、什么错误信息、在什么环境下运行。几轮下来才进入正题。

高性价比：

"以下代码在 Python 3.12 中执行时报 TypeError: 'NoneType' object is not subscriptable。代码如下：[代码]。请定位 bug 并给出修复。"

AI 可以直接定位问题——收到了完整的上下文：语言版本、错误类型、错误信息、源代码。不需要追问。

场景 2：重构代码

挥霍型：

"帮我重构一下这段代码，感觉写得不太好，但是我也说不上来哪里不好……就是觉得有点乱……你帮我优化优化？"

AI 不知道你"优化"的标准是什么——可读性？性能？可维护性？它只能猜，猜错了你又要纠正。

高性价比：

"请重构以下 Python 函数，目标是：1）提升可读性——拆分超过 20 行的函数；2）增加类型注解；3）保持功能完全不变。代码如下：[代码]。"

AI 明确知道三个具体目标，可以一次性完成重构，不需要反复确认。

场景 3：学习新技术

挥霍型：

"我想学 React，但是不太懂，你能教我吗？"

AI 不知道你的背景、学习目标、时间预算，只能从最基础开始讲——你可能只需要了解某个特定概念。

高性价比：

"我有 Vue 的开发经验，想快速上手 React。请用 500 字以内对比 React 和 Vue 的核心差异，然后给我一个最简单的计数器组件示例。"

AI 知道你的背景（有 Vue 经验），知道你的目标（快速上手），知道输出格式要求（500 字 + 代码示例）。一次就能给出恰好满足需求的内容。

培养"信息密度"直觉

如何判断自己的提示词信息密度够不够？一个简单的检查方法：

把你写好的提示词大声读一遍。如果你会想"这句话其实说了跟没说一样"，那就删掉它。

删除不会增加成本的废话，补充 AI 需要知道的关键信息——技术栈、功能边界、约束条件、输出格式。你不需要说很多，但需要让每一句话都"有重量"。

以下是常见的"废话"类型，以及它们的替换方案：

废话类型 1：过度礼貌

• 原文："你好，请问能不能麻烦你帮我一个忙？如果你有时间的话，我想请你帮我写一段代码……非常感谢！"
• 简化："请帮我写一段代码……"
• 节省：约 70% 的 Token。AI 不需要情感铺垫，直接说需求就好。

废话类型 2：模糊的程度词

• 原文："代码有点慢" / "功能不太对" / "界面不太好看"
• 简化："代码执行耗时约 3.2 秒，期望降到 0.5 秒以内" / "排序功能输出的结果是 [2,1,3]，期望是 [1,2,3]" / "按钮间距当前 40px，改为 16px"
• 节省：减少 2~3 轮纠错对话，大量 Token。

废话类型 3：多余的背景故事

• 原文："我跟你说，这个项目是我去年开始做的，当时是为了参加一个比赛，后来比赛取消了，但是我觉得这个 idea 挺好的，就继续做了……"
• 简化："以下是一个个人项目的代码：[代码]。请帮我……"
• 节省：约 80% 的背景信息 Token。AI 不需要知道你为什么做这个项目，只需要知道项目当前的状态和你的需求。

废话类型 4：对话历史中的反复试错

• 原文（第 5 轮）："不对，我刚才说的不是这个意思。我是想说那个功能……"
• 优化方案：在第 3 轮发现方向不对时，及时总结并开启新对话，而不是继续在原有对话中修正。
• 节省：避免累积大量无用 Token。

成本公式：理解 Token 消耗的数学

为了让你对成本有更精确的理解，这里给出一个简单的公式：

单轮对话成本 = 输入 Token × 输入单价 + 输出 Token × 输出单价

总成本 = Σ 每轮对话成本 + 重启对话的摘要成本

举一个具体的例子（以 Claude 4 Sonnet 约 15元/百万 Token 计算）：

场景 A：不做成本管理

• 一个包含 20 轮对话的长对话
• 平均每轮输入：20K Token（累积上下文）
• 平均每轮输出：5K Token
• 总输入：约 400K Token（但实际有很多重复累积）
• 总输出：约 100K Token
• 总成本：约 7.5 元
• 时间投入：约 1.5 小时
• 产出质量：后期明显下降（上下文溢出）

场景 B：做成本管理

• 3 个独立的短对话，每个 5~7 轮
• 平均每轮输入：8K Token（精简上下文）
• 平均每轮输出：3K Token
• 总输入：约 150K Token
• 总输出：约 50K Token
• 总成本：约 3 元
• 时间投入：约 45 分钟
• 产出质量：全程高质量（上下文充足）

投资回报率分析：

• 场景 B 比场景 A 省了 60% 的成本
• 省了 50% 的时间
• 产出质量更高
• 你的体验更好

这还只是单次任务的对比。如果你每天做 3~5 个这样的任务，一个月下来，成本差距是几百元，时间差距是几十个小时。

成本的另一种理解：迭代次数

除了"每轮对话省 Token"之外，还有另一种成本视角更值得关注：减少迭代次数。

一段低信息密度的提示，AI 可能生成一个方向错误的结果。你发现不对，再描述一遍，AI 又生成一个接近但仍不对的结果。再纠正一次……三轮、四轮、五轮过去了。每一轮都在消耗 Token，每一轮都在占据上下文窗口。

而一段高信息密度的提示——把需求、边界、优先级一次说清楚——AI 第一轮就给出一个基本可用的结果。你微调一下，第二轮就确定了。

两轮 Vibe 搞定和五轮 Vibe 才搞定，差距不是 2.5 倍——因为每一轮的提示词都可能越来越长（上下文在累积），实际差距可能接近 4 倍。

这里有一个"迭代衰减曲线"的概念：

情况 A：高密度提示（2 轮）

• 第 1 轮：60 Token 提示 → 800 Token 回应（基本正确）
• 第 2 轮：30 Token 微调 → 300 Token 回应（最终版本）
• 总计：90 Token 输入 + 1100 Token 输出 = 1190 Token

情况 B：低密度提示（5 轮）

• 第 1 轮：120 Token 提示（含填充词）→ 500 Token 回应（方向错误）
• 第 2 轮：150 Token 纠正 → 400 Token 回应（部分正确）
• 第 3 轮：200 Token 再次纠正 → 500 Token 回应（接近但仍有偏差）
• 第 4 轮：180 Token 微调 → 400 Token 回应（基本可用）
• 第 5 轮：80 Token 最终微调 → 300 Token 回应（最终版本）
• 总计：730 Token 输入 + 2100 Token 回应 = 2830 Token

对比：

• 情况 A 的 Token 消耗是情况 B 的 42%
• 情况 A 的时间消耗是情况 B 的 40%
• 情况 A 的上下文更精简，AI 的理解更准确

长期项目的成本管理策略

如果你在做的是一个长期项目（一个 App、一个网站、一个工具），成本管理的维度更复杂：

策略一：分阶段投资

不是每个阶段的成本投入都应该一样：

• 探索阶段（技术选型、架构设计）：投入高精度模型 + 详细对话，因为决策质量影响整个项目。
• 开发阶段（功能实现）：使用中等模型 + 高密度提示，追求效率。
• 调试阶段（修 Bug）：优先使用快速模型验证思路，确认后再用强模型解决。
• 优化阶段（重构、性能优化）：需要强模型 + 完整的上下文。

策略二：建立"知识资产"

为长期项目维护一份"AI 知识库"——记录项目中已经做出的决策、已经解决的难点、已经踩过的坑。每次开启新对话前，先加载相关知识。

这样做的本质是：把一次性的高 Token 消耗（建立知识库）转化为多次的低 Token 消耗（加载摘要），降低总体成本。

策略三：善用工具链

• Claude Code / Cursor 等 IDE 内置 AI：自动管理上下文，只把相关代码传给模型。
• Git：每次完成一个功能就提交。如果 AI 在后续的对话中"失忆"，可以随时查看 git log 回顾。
• 文档：关键决策写下来。不依赖 AI 的记忆。

从"省 Token"到"省时间"

最后，我想强调一个观点：省 Token 不是最终目的，省时间才是。

有些时候，一个"挥霍型"的对话反而更高效——比如你刚开始探索一个新领域，不知道什么技术栈适合。这时候"先聊聊、再试试"的试错策略，虽然 Token 消耗多，但帮你找到了正确方向，实际可能是更省时间的。

成本思维不是让你斤斤计较每一个 Token，而是让你有意识地在不同阶段选择不同的策略：

• 探索阶段：可以"挥霍"一些 Token，多用几轮对话来明确需求、对齐理解。这些"浪费"是为了后面的"节省"。
• 执行阶段：切换到"高性价比"模式，用高密度提示一次到位。
• 收尾阶段：轻量级模型 + 精简提示，快速完成。

这就是成本思维的本质——不是一味地省钱，而是知道什么时候该花、什么时候该省。

这个练习做 3 次之后，你会自然养成"高信息密度表达"的习惯。