Claude Token Optimization

需求

我每天都会使用 Claude 处理耗时较长的工作，并发现同样的结果可能花费很多，也可能花费很少，这取决于工作方式：每个步骤选择哪个模型、阅读多少材料，以及何时适合在新的聊天中重新开始。关于这些问题有很多建议，但几乎都没有经过测试验证。

我把自己一直使用的规则写了下来，并在日常工作中加以验证，然后将它们整理成一个 skill：Claude 可以自行读取并执行的指令。下一步是向以其他方式使用 Claude 的人开放这些规则，因为源自一个人使用经验的规则，需要由其他人来检验。

约束条件

只有在回答质量保持不变时，这些规则才有价值：如果节省了成本却降低了结果质量，就不算。每项提议只有经过测试后，才会被纳入下一个版本，并注明提出者的姓名。不包含个人、公司或账户数据，文字也要让不编写代码的人能够理解。材料以 MIT 许可证公开发布。该项目独立运营，与 Anthropic 没有关联，也未获得其认可。

关键决策与备选方案

1. 选择

   规则保存在一个共享的 skill 中，也提供一个可粘贴到自定义指令中的版本，因此不安装 skill 的人也能使用这些规则。

   未采用的方案

   在文章中列出建议；提供一个可复制的单一提示词。

   原因

   skill 会在每次聊天中自动应用，而文章读过一次后就容易被忘记。可粘贴的版本也让不使用 skill 的 Claude 用户能够参与其中。

2. 选择

   一项提议只有在实际工作中经过测试后，才会成为规则。测量数据会有帮助，但不是必需的，开始时只需清楚的描述。

   未采用的方案

   通过投票或主观认同来接受提议；要求每个人都提供完整的测量数据。

   原因

   没有经过测试，规则就只是观点。要求每个人都提供数字，会把那些有好想法但没有时间进行测量的人排除在外。

3. 选择

   欢迎贡献者分享想法和经验，但绝不要求提供提示词、文件或对话。

   未采用的方案

   收集真实聊天记录示例。

   原因

   对话中包含个人和公司的数据，而改进规则只需要想法。