大模型接连涨价：从粗放调用到轻量化、工具化、流程化的 AI 使用策略
DeepSeek 于 7 月改为峰谷定价、8 月预告整体 API 大幅上调；这不是单家行为，而是整个行业从「跑马圈地」走向「商业回收」的信号。靠补贴低成本用 AI 的时代，正式落幕。
一、问题与背景 — 涨价是行业级趋势
DeepSeek 7 月改为峰谷定价（高峰时段价格翻倍），8 月又预告整体 API 价格大幅上调。放眼全行业：上调接口单价、改计价规则变相抬价、缩减免费额度、限时积分福利退场——动作高度趋同。
很多人第一反应是「趁价低加急跑完所有任务」。这治标不治本：它把成本焦虑变成赶工焦虑，并默认你未来不再大量用 AI——这显然不现实。
二、方案 — 从消耗算力到沉淀方法
| 涨价前（粗放式） | 涨价后该有的（轻量化） |
|---|---|
| 无脑投喂长文本，大力出奇迹 | 任务先拆解，只喂必要上下文 |
| 每次从头描述需求与背景 | 沉淀固定提示词，复用调用 |
| 重复提问、反复重搭上下文 | 固化工作流，自动化跑标准动作 |
| 踩过的坑下次再踩 | 复盘沉淀为通用规范，复用避坑 |
高算力成本之下，性价比才是第一准则。 三条可落地路径：
步骤 1 — 沉淀并精简专属技能库
提炼适配自身业务的提示词技能，剔除冗余话术，每条指令目标清晰、指向专一；把高频小任务做成固定脚本、工具化调用，减少无意义的长链路推理，压低单次 token 损耗。
步骤 2 — 固化常规工作流
梳理日常重复性高、输出标准统一的常态化工作，搭建固定自动化流程，把标准化动作交给流程本身运转，规避反复重复提问、多次重搭上下文的浪费。
步骤 3 — 做好任务约束，沉淀最佳实践
每次 AI 任务前先划定边界、输出格式与范围；项目结束及时复盘，把踩坑教训、成熟方案固化成通用规范，搭建属于自己的业务知识库。
三、结果验证 — 用法对比
- 单次调用：从「长文本无脑投喂」变为「精简上下文 + 复用提示词」，token 损耗显著下降。
- 重复任务：从「每次重讲背景」变为「自动化流程一键跑」，人力与 token 双降。
- 长期资产：从「踩坑反复踩」变为「规范复用」，越用越省。
四、坑 & 取舍
- 别用「赶工」缓解焦虑——它只把问题延后。
- 技能库不是越多越好，冗余话术反而抬高损耗，要持续精简。
- 什么场景不推荐本文方案？一次性、极低频、无需复用的临时任务，直接对话即可，不必过度工程化。
总结与延伸阅读
- 核心结论：AI 涨价倒逼使用者从「消耗算力的人」变成「沉淀方法的人」。
- 推荐下一步：把高频小任务脚本化，参考本站同系列的效率实践文章。
- 相关阅读：如果你想把这套策略进一步落地为工程能力，推荐阅读前作 AI时代软件工程师核心能力：成本觉醒与工程化实践。它从 Token 经济性、需求工程化、规则体系沉淀、Workflow 标准化到量化评估，系统拆解了工程师驾驭 AI 的 6 项核心能力，与本篇互补。
- 外部参考：各模型官方 pricing 文档（发布前请复核 DeepSeek 调价截图的具体数值与授权）。
完整示例与配置我会持续更新；下一篇准备写《如何把 AI 用法工具化》，喜欢的话可以通过 RSS 订阅关注更新 📡。如果你在 AI 提效中踩过类似的坑，欢迎在评论区聊聊 🙌。