很多用上 GPT-6 Astra 的读者都遇到一个问题，就是 token 烧得太快，额度完全不够用。这里推荐你们几个方法，可以降低额度消耗，让你们的账单不那么炸。第一种，学会分任务选模型。如果你一上来就把 GPT-6 的推理等级开到 Ultra，相信我，对于 99% 的人来说属于杀鸡用大牛刀。一句话，完全没必要。我现在处理日常工作流的任务，基本上 GPT-6 版本的推理等级开到「中」就够用了，大多数甚至「低」就可以完成。如果是涉及复杂任务的，最多也是开到「高」。至于「极高」和 Ultra，纯属用不上。我对比测试过，GPT-5.6 Sol 开到「高」的模式和 GPT-6 Astra 开到「低」其实差不多。因此，你可以把自己的任务做个分类，分别用不同模型和推理登记试一下，不要全部默认用最强模式。如果自己对任务都没有实际感觉，只会一股脑全丢给 AI 去干，那这不是 AI 的问题。第二种，重写你的 Skill。如果你的 AI 工作流里已经有多个 Skill 在运转的，尤其是那种多个 Skill 来回嵌套使用的，建议你们重写一下 Skill 规则。这里有两方面的事要做，一个是用 GPT-6 这种比较强的模型去重写你之前的 Skill，它会变得更简洁、更聪明。还有就是告诉你的 Agent 采用「渐进式披露」的原则去读取和调用 Skill，不要每次都读全篇，那样就比较费 token。我一般是用比较强的模型去写 Skill，然后修改迭代都是，但是调用 Skill 其实用一般模型或者根据任务类型把推理等级调低就可以。另外，你还可以给 Agent 做一些约束，比如什么情况下应该遍历，什么情况下省去分析直接给结果，这得根据你的工作流任务来设计。总之，不要直接丢给 AI 你就不管了。某种程度上说，你还是那个把门的监护人。第三种，让 Agent 去复刻你的方法，不要让它肆意发挥。现在使用 Agent 有两种模式，一种是你直接口喷需求让它干，它怎么干、用什么方法、干得怎么样，纯靠运气。就好比你让他做个产品数据分析，用的是它随机找来的方法，其实这就相对来说不靠谱，而且可能比较耗 token。如果你把自己分析产品数据的方法、流程、结构通过 Skill 训练的方式让你的 Agent 掌握，它就会在你的框架约束下去工作，而且每次稳定发挥。这个过程有点像构建你自己的 Harness，让你的 Agent 在有监督的情况下去完成工作。最后，我觉得 GPT-6 实力还是挺强的，今天它帮了我个大忙被吓到了！GPT-6 竟然帮我找到了 2 个致命 bug