把 AI 的輸出砍短反而更貴：GitHub 官方拆解四個省錢改動，其中一個只是刪掉行號（2026-09 實查）

如果你正在想辦法讓 AI 編碼代理少花一點錢，GitHub 在 2026-09-02 公開的這篇工程紀錄值得看完，因為它從一個反直覺的結果開始：把工具輸出砍短，整個任務反而更貴。

四個改動、每個都有實測數字，而且有一個是失敗的。查核日 2026-09-08。

一、反直覺的那一條：局部指標陷阱

常見做法是「把每次工具回傳的內容壓短」以省 token。GitHub 用一個叫 RTK 的工具測了這件事，結論是：

我們在局部省了 token，卻在整體花得更多。

發生了什麼：壓縮之後被省略的內容有時候剛好是模型需要的，於是模型會重新打開原始輸出、或乾脆把指令再跑一次。多出來的回合、多帶的上下文，讓整個任務平均用掉更多 token、花更久時間。

可以直接拿走的原則：評估效率的單位是「一件事從提問到完成」，不是「一次工具呼叫」。你在自己的代理設定裡加的任何「精簡輸出」規則，都要用完整任務去量。

二、有效的第一招：先刪格式，再刪資訊

GitHub 最乾淨的一個優化是：檔案讀取工具不再替每一行加行號前綴。

原因很實際——早期的編輯工具靠行號定位，但現在的工具是靠比對前後文，根本不用行號。那個前綴留著，只是每讀一個檔就重複一次的無用格式。

實測結果：

• 離線基準：模型推理成本降約 5%，成功率維持在正常波動範圍內，編輯失敗沒有增加
• 線上實驗（Copilot CLI 使用者）：每人每日平均推理成本降約 3%，追蹤的品質與滿意度指標沒有明顯退步

官方對這個改動的評語是「理想的改動」：沒有給模型新指令、沒有資訊需要救回、也沒有多一個判斷要做，檔案內容原封不動送到模型手上。

你能照做的版本：檢查你自己送進上下文的東西裡，有多少是每次都重複、但沒有人在用的格式——包裝用的標記、無人解析的表頭、重複的路徑前綴。先刪這些，比刪內容安全得多。

三、有效的第二招：壓縮提示詞——但這一招差點出事

Copilot 的 task 工具（用來啟動平行子代理）的指引，長年累積在工具描述、schema、代理定義與系統指令裡。GitHub 用「讓 Copilot 自己反覆改寫自己的提示詞」把它砍掉約一半。

然後線上實驗抓到一個離線評測沒抓到的退步：改寫過程把原本謹慎的「可以並行」指引寫成了硬性排程規則，導致本來該平行跑的獨立自訂代理變成一個接一個排隊跑。

GitHub 的處理方式值得抄：停掉實驗 → 先替使用者暴露出來的行為寫一個回歸測試 → 再改。 最後的修法是把明確的允許／禁止清單換成一句話：

Independent agents can run in parallel; consider side effects.（獨立的代理可以並行；注意副作用。）

更短、限制更少，把「要不要並行」的判斷交回給模型。

上線後的數字：每輪省下約 1,300 個 task 工具提示 token，約等於每次工作階段少 1.8% 提示 token、每活躍小時的正規化成本降約 2.9%，未偵測到品質退步。

官方留下的教訓一句話：提示詞的行為需要測試；沒有被測到的行為，會在提示詞變短時無聲消失。

四、有效的第三招：把已完成的背景工作直接送回去

代理常在背景跑長指令或子代理。改動前，完成通知不含結果，所以代理得再花一個回合去拿它其實已經拿到的東西——兩件事同時完成時，這種繞路還會重複。

改動後：把符合條件的完成通知打包，直接用既有的工具結果格式把結果送過去。 官方強調這裡沒有壓縮、沒有摘要、沒有隱藏任何內容。

效果：以 AI credits 衡量的平均 token 相關用量降約 2.3%。原本一個背景任務要「一個回合去要結果、一個回合去處理」，兩個任務就是四次模型呼叫；現在一次呼叫可以處理完兩個。

可以照做的原則：先找出「模型只是在等資料、沒有在思考」的回合。那些回合能由程式自己完成的，就不要讓模型跑。

五、最後一條：證據只在它被測的那個場景成立

GitHub 特別記了一個反例：一組更嚴格的檔案工具指令在 Copilot code review 上有正面結果，搬到 Copilot CLI 的線上實驗卻讓成本上升，所以沒有上線。

同一個改動在不同工作流上結果相反。別把別人（包括這篇）的節省比例當成你會拿到的數字。

六、五條可以帶走的原則（官方原文整理）

1. 最佳化「完成的任務」，不是單次工具呼叫。
2. 最佳化編排，不只是模型輸出——能由程式確定性完成的回合就不要讓模型跑。
3. 依「輸出代表什麼」來壓縮：保留精確內容、優先無損轉換、並測量救援路徑被用到的頻率。
4. 改寫提示詞會有意外後果，要驗證原本的行為還在。
5. 證據是局部的，每個產品面都要重測。

官方最後一句話值得抄下來：這些改動沒有一個讓模型變聰明，它們只是拿掉了模型本來就不需要做的工作。

Copilot 的額度怎麼被扣，見 Copilot AI credits 計算方式；方案比較見 GitHub Copilot 工具頁。

本文依據 GitHub 官方部落格 How we make AI coding more cost efficient without sacrificing task quality（Erik Kristensen、Napalys Klicius，2026-09-02）於 2026-09-08 直讀整理。5%／3%／1,300 token／1.8%／2.9%／2.3% 等數字均為 GitHub 自行公布之離線基準與線上實驗結果，本站未獨立重跑；官方明示這些證據僅在其測試的工作流中成立。