为什么我庆幸Token额度用完了 - AI工具的高效运用

Ron其实一直在做正确的事情。

他开始制作原型，重新拾起多年未用的技术技能，一边动手构建，一边学习。这正是企业打造AI能力时最希望看到的状态。

因此，当我发现Ron的Claude使用量异常高时，我最初并没有想要干预。

我的第一反应是：这或许只是高质量工作的成本。

事实证明，我只猜对了一半。

一个吞噬AI额度的工作流程

我们原本约定讨论的是另一个问题，但在了解Ron的工作流程后，会议主题很快发生了变化。

他向我展示了自己如何利用Claude进行软件开发：每一次迭代，他都会先在本地修改代码，然后将整个项目文件夹压缩成zip文件上传到Claude，告诉AI下一步希望实现的功能，接收更新后的代码，再下载解压、检查修改结果，之后继续重复这一流程。

这个方法确实能跑通。而且完全是Ron通过自学摸索出来的方式。但从额度消耗来看，这种工作流程的成本非常高。

我过去也曾采用过类似的方法——比如用AI制作演示文稿，或者开发互动工具。当我意识到这种方式背后的资源消耗后，我开始思考：这其中到底发生了什么？

问题在于，每次他上传zip文件时，实际上都把整个项目重新放回了Claude的上下文窗口中。所有已有代码、所有没有发生变化的文件，以及整个项目当前状态，都会被再次加载。

也就是说，每次上传后，Claude都要再次处理整个项目，包括大量没有发生变化的内容。随着每一轮循环推进，上下文内容不断增加，Token成本持续累积，生成结果也越来越难以判断。

但关键在于，任务本身并没有变得更复杂。真正让事情变复杂的，是这种低效的工作流程。

解决方法其实很直接：切换到Claude Code。

由于Claude Code能够直接访问文件，Claude无需反复处理那些没有发生变化的内容，上下文也能够保持精简。每一次交互都可以针对具体文件和问题精准修改，而不是对整个项目进行大范围重新处理。

Ron切换工具后，很快发现效果明显提升：AI生成的结果更加准确，整个开发流程也更加快速高效。

当然，我并不是说所有人都应该使用Claude Code。

但如果你发现自己不断上传文件、重复上传、陷入反复循环，同时得到的结果却越来越差，那么对于这类工作而言，具备直接文件访问能力的工具几乎一定是更好的选择。

不过，这并不是这个故事真正有意思的地方。

额度限制带来的启示

Claude Code让AI使用过程变得更加透明。

用户可以更清楚地看到每一次交互所产生的成本，也因此开始更加谨慎地思考每一次与AI的沟通方式。

Ron表示，自己的工作方式发生了明显转变。

过去，他习惯直接向模型输入一份冗长、模糊的需求说明，然后期待AI能够自行理解并完成任务。

但后来，他开始主动拆解任务：一次只提出一个清晰明确的需求；使用更加简洁的提示词；根据任务复杂程度选择合适的模型，而不是无论什么工作都默认调用能力最强的模型。

他所构建内容的质量提升了，开发速度也加快了，而AI使用成本反而下降了。

真正发生改变的，并不是工具本身，而是人们使用工具时背后的思考方式。

无限AI使用额度背后的隐性问题

在OAG，我们为所有员工开放Claude使用权限，并鼓励大家广泛尝试AI。我认为，企业无法通过限制AI资源来真正培养AI能力。

但另一方面，当AI使用没有任何阻碍、成本完全不可见时，大多数人往往会倾向于追求便利，而不是打磨自己的使用技巧。

他们会逐渐形成一些“够用即可”的使用习惯，却不会进一步培养真正的判断力。

Ron一开始并没有刻意想成为一个更加成熟、更有方法论的AI使用者。

但新工具带来的限制，迫使他重新思考自己的工作方式：自己究竟在让Claude完成什么？真正需要AI提供什么帮助？以及，为了让Claude更好地完成任务，自己又需要向它提供哪些信息和指令？

有一种颇有道理的观点是，适度的“限制”反而能够培养更优秀的AI使用者。

比如，在提出请求之前，需要先思考这次操作的成本；在开始任务之前，需要判断哪个工具最适合当前需求。这种适度的约束，可能比无限且成本不可见的资源，更能帮助人们提升使用AI的能力。

这并不是反对为员工提供他们所需要的AI工具，而是说，在提供工具和资源的同时，也需要培养真正驾驭这些工具的能力。

为任务选择正确的工具

这个案例带来的核心启示，是工具必须匹配任务本身。

Claude网页端非常适合用于思考问题、探索想法、撰写内容以及进行文本迭代，但它并不是为持续的软件开发，或者同时处理多个文件的复杂工作流程而设计的。

而Claude Code和Cowork正是为这类场景打造的。它们针对的正是Ron此前通过反复上传zip文件来实现的工作方式：直接访问文件、延续项目上下文、进行精准修改。对于这类任务而言，它们能够带来更快、更低成本、更准确的结果。

这并不是因为它们更强大，而是因为对于这项工作来说，它们就是更合适的工具。

更深层的启示，其实关乎我们是否认真对待每一次与AI的交互。每一次交互本质上都是一次决策——你正在向AI提出什么需求？你真正希望它完成什么任务？

但大多数时候，我们对这两件事不够审慎。

如果设置得当，Token限制可以成为一种有效的倒逼机制：它让原本不可见的成本显现出来。而一旦看见问题，人们就有机会改进。

企业真正应该问的问题

不是“员工有没有在使用AI？”——大多数人其实已经开始使用了。

更值得关注的问题是：“员工真的把AI用好了吗？”

会使用Claude，与真正用好Claude之间的差距，更多体现在使用习惯上。正确的习惯并不复杂：拆解任务、选择合适的工具、一次提出一个清晰明确的需求。但这些习惯需要某种机制来提醒和推动。

有时候，这种推动来自一位同事在恰当时刻提出的一个关键问题。

有时候，只是因为Token用完了。

Ben Maynard是OAG AI总监。Builders Blog是一个以一线实践者为核心的内容专栏，聚焦AI、航空数据，以及如何构建真正有效的产品和解决方案。