# 影片筆記：Codex 額度總是不夠？零基礎先學這4個進階技巧｜含多案例實操

## 一句話總結
針對 AI 工具（如 Codex、Cloud Code）因成本壓力導致 Token 消耗快、額度緊張甚至封號的現狀，影片提出四大技巧：利用免費工具預處理提示詞、透過 `agents.md` 建立任務關卡、管理上下文以避免污染與計費風險，以及建立文件索引機制，旨在節省 Token 並提升協作效率。

## 核心重點
1.  **背景與計費邏輯**：AI 廠商因資本壓力縮減額度，終端用戶需承擔高昂算力成本。Token 是計量單位，歷史對話會累積計算，導致後續對話 Token 消耗呈指數級增長。
2.  **節省 Token 三原則**：降低單輪對話成本、減少對話總輪次、單位時間內提升對話頻次。
3.  **技巧一：多渠道預處理**：利用 ChatGPT、Gemini、Notebook LM 等免費工具進行資料預處理與大綱提煉，再將精確提示詞與文件掛載至 Codex 執行，避免直接丟入大量資料導致 Token 爆表且質量雜亂。
4.  **技巧二：agents.md 三道關卡**：透過 `agents.md` 或自定義指令設定工作邊界。包含蘇格拉底式提問（明確目標）、第一性原理（構建項目/拆解變量）、奧卡姆剃刀（去除噪音）。實證顯示可降低運行時間與 Token 消耗。
5.  **技巧三：上下文管理**：避免在同一窗口不斷新增任務導致「上下文污染」。任務結束後應讓 AI 總結結果（類似工作交接），隨後使用 `/new` 開啟新對話，僅提供新任務目標與必要約束，以利用系統緩存降低計費。
6.  **技巧四：文件索引機制**：針對分散文件，使用 Plan 計劃模式要求 AI 提取標題與元數據生成索引清單與摘要卡，不讀取正文，以低 Token 消耗實現高效檢索與數據安全。

## 詳細大綱

### 一、 背景與核心原則
*   **現狀觀察**：
    *   近期 AI 廠商（Codex、Cloud Code）出現大面積封號、額度縮減現象。
    *   資本施壓與高昂電能/算力成本，最終由終端用戶承擔（Token 消耗快）。
*   **計費與 Token 基礎**：
    *   計費模式分為「輸入」（提示詞、文件、上下文）與「輸出」（圖片、代碼、文案）。
    *   Token 是 AI 讀寫文字的計量單位（1 Token 約等於 1-2 個中文字符）。
    *   歷史對話會累積計算，導致後續對話 Token 消耗呈指數級增長。
*   **節省 Token 三原則**：
    1.  降低單輪對話的成本。
    2.  減少對話的總輪次。
    3.  單位時間內提升對話的頻次。

### 二、 技巧一：多渠道利用 AI 優勢（提示詞預處理）
*   **核心概念**：除了主用工具（Codex/Cloud Code），應利用 ChatGPT、Gemini、Notebook LM 等免費工具進行資料預處理。
*   **操作步驟**：
    1.  **資料預處理**：將大量文檔、截圖、報告丟入 Notebook LM 等工具。
    2.  **提煉大綱**：要求 AI 基於材料提煉 PPT 大綱或簡報結構。
    3.  **生成提示詞**：讓 AI 根據大綱和模板，生成一段可在 Codex 中直接使用的精確提示詞。
    4.  **執行生成**：將精確提示詞與項目文件掛載至 Codex 進行最終生成。
*   **對比效果**：
    *   **直接丟資料**：Token 消耗極高（單窗口用掉 83%），生成內容雜亂、不符合模板、無法直接使用。
    *   **預處理後**：生成內容貼合模板（約 80 分水平），節省 Token 且質量可控。

### 三、 技巧二：利用 agents.md 為任務建設三道關卡
*   **核心概念**：通過 `agents.md` 或項目自定義指令，為 AI 設定工作邊界與流程，類似為每個工作節點安排專家。
*   **實證數據**：
    *   在 124 個 PR 的對照實驗中，使用 `agents.md` 後，運行時間下降 29%，Token 消耗下降 17%。
*   **三道關卡操作法**：
    1.  **蘇格拉底式提問（明確目標）**：
        *   引導 AI 提問：任務目標、輸出範圍、排除內容。
        *   目的：理清思路，以最短路徑接近目標。
    2.  **第一性原理（構建項目）**：
        *   將任務拆解至最底層，識別核心變量。
        *   例如：產品分析是為老闆判斷市場進入（關注商業模式/風險），還是為產品團隊決定功能優先級（關注功能差異/用戶路徑）。
    3.  **奧卡姆剃刀（去除噪音）**：
        *   砍掉重複新聞、無來源觀點、情緒化表達等非核心數據。
        *   避免 AI 將噪音誤認為重點。
*   **設置方式**：在 Codex 左下角設置的「個性化」或 ChatGPT 項目設置中的「指令框」中複製相關內容。

### 四、 技巧三：做好上下文管理（避免上下文污染）
*   **問題描述**：在同一個對話窗口（繪畫）中不斷新增任務，導致舊報錯、舊方案堆積，產生「上下文污染」。
*   **操作流程**：
    1.  **任務總結與交接**：任務結束後，讓 AI 總結結果，生成類似「同事離職工作交接文檔」的內容，提供背景與規則參考。
    2.  **開啟新對話**：使用斜杠命令（如 `/new`）開啟新繪畫。
        *   新繪畫不延續上一輪任務目標與執行狀態，但保留長期規則、當前工作目錄與權限。
    3.  **僅提供必要信息**：在新任務中，只輸入新任務目標、約束驗收標準及上一任務的有效結論。
*   **計費機制解釋**：
    *   **緩存輸入**：系統緩存可複用的長提示詞前綴（如系統角色、項目規則），首次輸入按普通 Input 計費。
    *   **緩存命中**：後續對話若匹配前綴，按較低的「緩存命中」計費。
    *   **風險**：若頻繁修改或未定義前置條件，系統無法匹配緩存，將不斷按普通 Input 計費，導致 Token 流失。

### 五、 技巧四：整理雜亂文件並建立自動索引機制
*   **問題描述**：工作文件分散在本地、郵件、雲盤，長期雜亂導致檢索困難且消耗大量 Token。
*   **操作步驟**：
    1.  **選擇對象**：確定要整理的項目對象。
    2.  **Plan 計劃模式**：使用特定提示詞，要求 AI 對文件進行全面「提建」（提取標題/元數據），但不讀取正文。
    3.  **輸出索引清單**：生成文件清單、目錄地圖、重要文件摘要卡及未來檢索規則。
*   **優勢**：
    *   低 Token 消耗。
    *   不刪除、修改或移動原始文件內容，確保數據安全。
    *   清晰標註文件位置與修改時間，方便後續確認與引用。

## 工具 / 模型 / 名詞整理
*   **AI 工具/平台**：
    *   Codex
    *   Cloud Code
    *   ChatGPT
    *   Gemini
    *   Notebook LM
*   **功能/文件名稱**：
    *   `agents.md`
    *   Plan 計劃模式
    *   斜杠命令（如 `/new`）
    *   自定義指令 / 項目自定義指令
    *   PR (Pull Request)
    *   PPT 簡報 / 幻燈片
    *   工作交接文檔
    *   索引目錄 / 目錄地圖 / 摘要卡

## 操作流程整理

### 流程一：提示詞預處理與生成
1.  將大量文檔、截圖、報告輸入至 Notebook LM 等免費工具。
2.  要求 AI 基於材料提煉 PPT 大綱或簡報結構。
3.  讓 AI 根據大綱和模板，生成一段精確的提示詞。
4.  將精確提示詞與項目文件掛載至 Codex 進行最終生成。

### 流程二：設定 agents.md 任務關卡
1.  在 Codex 左下角「個性化」或 ChatGPT 項目設置的「指令框」中，複製並設置 `agents.md` 內容。
2.  執行任務時，AI 會依序進行：
    *   **蘇格拉底式提問**：確認任務目標、輸出範圍、排除內容。
    *   **第一性原理拆解**：識別核心變量（如商業模式或功能差異）。
    *   **奧卡姆剃刀過濾**：去除重複新聞、無來源觀點、情緒化表達等噪音。

### 流程三：上下文管理與新對話建立
1.  當前任務結束後，要求 AI 總結結果，生成類似「同事離職工作交接文檔」的內容（包含背景與規則）。
2.  使用斜杠命令（如 `/new`）開啟新對話窗口。
3.  在新對話中，僅輸入新任務目標、約束驗收標準及上一任務的有效結論。
4.  確保前置條件定義清晰，以利用系統緩存降低計費。

### 流程四：文件索引建立
1.  確定要整理的項目對象（分散在本地、郵件、雲盤的文件）。
2.  使用 Plan 計劃模式提示詞，要求 AI 對文件進行「提建」（提取標題/元數據），不讀取正文。
3.  獲取生成的文件清單、目錄地圖、重要文件摘要卡及未來檢索規則。

## 值得注意的限制或風險
*   **Token 累積風險**：歷史對話會累積計算，若不在同一窗口進行上下文管理，後續對話 Token 消耗會呈指數級增長。
*   **緩存失效風險**：若頻繁修改提示詞或未定義前置條件，系統無法匹配緩存，將不斷按普通 Input 計費，導致 Token 流失。
*   **直接丟資料的低效**：直接將大量資料丟入主用工具（如 Codex）會導致單窗口 Token 消耗極高（例如用掉 83%），且生成內容雜亂、不符合模板、無法直接使用。
*   **噪音干擾**：若未透過 `agents.md` 去除噪音，AI 可能將重複新聞、無來源觀點或情緒化表達誤認為重點。

## 逐字稿辨識疑點
*   **金金白銀**：疑點，聽似「真金白銀」或「花了不少錢」的口誤或聽寫錯誤。
*   **條 D Plus 黨額度**：疑點，聽似特定產品名稱或套餐名稱（如 "Plus" 相關套餐），但具體名稱需查證。
*   **寄費模式**：疑點，聽似「計費模式」的聽寫錯誤。
*   **幻動片**：疑點，聽似「幻燈片」或「PPT」的聽寫錯誤。
*   **瑕不言語**：疑點，聽似「瑕不掩瑜」的聽寫錯誤。
*   **百勝加金**：疑點，聽似「百勝加緊」或形容工作繁重的成語誤用，需查證原意。
*   **構簽項目**：疑點，聽似「構建項目」的聽寫錯誤。
*   **淨品分析**：疑點，聽似「競品分析」或「產品分析」的聽寫錯誤。
*   **院里**：疑點，聽似「原理」的聽寫錯誤（奧卡姆剃刀原理）。
*   **擊費**：疑點，聽似「計費」的聽寫錯誤。
*   **消失去**：疑點，聽似「消耗去」或「消耗掉」的聽寫錯誤。
*   **志川**：疑點，講者自稱，需確認是否為正確人名或暱稱。

## 可延伸追問
*   如何具體撰寫 `agents.md` 的內容以適應不同類型的專案？
*   在 Codex 中，「緩存命中」的具體計費標準與普通 Input 的差異比例為何？
*   對於非編程背景的用戶，如何更有效地使用 Notebook LM 進行資料預處理？
*   當文件數量極大時，Plan 計劃模式的處理時間與 Token 消耗是否會增加？是否有最佳實踐？
*   如何判斷一個任務是否適合使用「蘇格拉底式提問」與「第一性原理」的組合？