个人知识库

2026-09-28-woshipm-workbuddy-credit-saving-6-tips

17分钟阅读

WorkBuddy如何使用才更省积分？

「时间之上」主理人伍德安思壮把 WorkBuddy 积分见底归因为「使用习惯」而非额度太小，给出从模式选择、模型匹配、上下文管理到指令输出、任务处理的六个省积分技巧；其中明确三种模式的消耗排序是 Ask ＜ Plan ＜ Craft，并给出场景 → 模型 → 输出长度 → 批量的整套控耗链路。

基本信息

  • 来源类型：文章（人人都是产品经理）
  • 原文位置：raw/articles/2026-09-28-160932-tg-153c1e.md
  • 原文 URL：https://www.woshipm.com/ai/6469502.html
  • 作者：伍德安思壮（微信公众号：时间之上 / 互联网老兵）
  • 发布日期：2026-09-24（Telegram 摄入：2026-09-28）
  • 消化日期：2026-09-28
  • 提取路径：Telegram bot 摄入；正文由 scripts/http_capture.py HTTP 预抓取（woshipm 走 HTTP-first，避免无头浏览器返空文档）
  • 说明：全文约 5.6 千字，属完整处理。本文是纯方法论文章，无代码/配置文件。

核心观点

  1. 积分见底的三大主因是使用习惯，不是额度太小：作者开篇即把问题定性为「全程用高消耗模式、反复无效对话、零散处理小任务」造成的「无效积分损耗」。他明确指出「真正的省积分，是不无效消耗、不重复损耗、不盲目高配、不冗余输出」——把省积分从「求平台送额度」转成「改自己的操作习惯」。

  2. 三种模式的消耗排序：Ask ＜ Plan ＜ Craft：这是全文最可执行的一条量化结论。三种模式的「权限、功能、积分消耗层级完全不同」——Ask 是纯问答、只读不操作、无文件权限，Token 消耗极低，是日常高频场景的最优解；Plan 先规划后确认再执行，前期拆解消耗极低，规避 Craft「一次性高消耗出错、返工重耗」；Craft 权限最高（本地文件读写/新建/批量执行/生成成品），消耗也最高。作者的判据是：凡是「不需要生成完整文档、不需要落地文件、不需要复杂拆解」的问题一律用 Ask；复杂、需求不清、担心返工的场景先用 Plan 出框架；Craft 只做最终落地，不做咨询、不做试错、不做框架梳理。

  3. 模型按任务难度匹配，不盲目上顶配：给出可直接照搬的三档 + 一档优惠的方案——轻量化简单场景（短句修改/文案润色/简单翻译/基础纠错）用轻量模型，积分消耗只有高配模型的 1/3 甚至更低；中度创作场景（公众号短文/周报/工作总结/普通文案/简单脚本）用中阶通用模型，性价比最高；高阶专业场景（复杂代码/专业方案/数据分析/深度推理/长文）才启用高阶模型。第四档是优惠活动：文中点名 Hy3 的限时免费、GLM-5.2 的夜间折扣（非高峰期积分 5 折），并提示模型右侧的「倍率值」（如 0.65x）代表积分消耗速度，数值越大消耗越高，选倍率低的模型更省积分。

  4. 最隐形的消耗来自冗余对话上下文：作者点出机制——「每次发送新指令，系统会自动把当前对话的所有历史内容重新打包输入模型」，对话轮次越多、历史越长，输入 Token 越多，「明明没输出多少内容，积分却扣得很多」的核心原因就在这里。三个解法：新任务必开新对话（跨类型跨场景任务全部新建对话）、单任务结束及时清上下文（定稿后只保留最终有效内容）、超长任务分段重置（万长文/复杂方案/批量调试，轮次超 10 轮就分段重置）。这一条与 Token经济 中的「回头税」、多模型路由 的「拆会话」是同一现象的不同入口表述。

  5. 需求一次说清，杜绝返工重复耗积分：作者把「随口提问、模糊指令 → 一次次补充修改」的返工定义为最贵的浪费，因为「多次返工叠加起来，消耗的积分远比一次性精准输出要多得多」，且反复修改会持续叠加上下文冗余造成二次浪费。他给出通用指令模板四要素：明确场景 / 明确受众与风格 / 明确核心要求（字数范围、结构框架、重点内容、禁止事项、格式要求）/ 明确交付形式，并用「帮我写一篇周报」对比「帮我写一篇职场正式周报，面向部门领导，800 字左右，分本周工作完成/现存问题/下周工作计划三部分……」说明「多打几句话，用少量输入 Token 省去多次返工的高额重复消耗」。

  6. 主动控制输出长度 + 批量处理同类任务：积分同时看输入和输出，AI 默认输出「全面、详细、冗余」的内容，90% 是无效内容；所以要强制限定字数、明确精简要求（无需铺垫/拒绝空话套话）、指定输出格式（逐条罗列/先给结果）。最后一条是批量：每次独立提问、每次任务启动都有固定的基础 Token 损耗，10 次零散小任务的消耗远大于 1 次批量处理 10 个任务，把同类任务（文案优化/问题答疑/内容创作/文件处理）攒起来批量处理，核心价值是「摊薄单次任务的固定基础消耗」，同样积分能多做 2-3 倍工作量；批量规划梳理用 Plan、批量落地生成用 Craft，全程不用高消耗模式做简单预处理。

实操内容保留

代码/配置

（本文无代码/配置文件。）

Prompt 模板

1）通用指令模板（四要素）——适配绝大多数场景：

  • 明确场景：告诉我使用场景（职场汇报、自媒体发文、学生作业、代码开发、日常话术等）；
  • 明确受众与风格：正式/口语/简洁/活泼/专业，面向领导/客户/粉丝/自用；
  • 明确核心要求：字数范围、结构框架、重点内容、禁止事项、格式要求；
  • 明确交付形式：只要大纲、完整成文、表格呈现、逐条罗列、代码片段等。

2）低效模糊指令 vs 精准省积分指令（对比案例，原文原样保留）：

❌ 低效模糊指令：帮我写一篇周报。（输出宽泛、大概率不符合预期，需要多次修改）

✅ 精准省积分指令：帮我写一篇职场正式周报，面向部门领导，字数 800 字左右，结构分为本周工作完成、现存问题、下周工作计划三部分，内容贴合新媒体运营日常工作，语言简洁务实，不用空话套话，直接输出成文版本。（一次成型，无需返工）

操作步骤

六步省积分操作清单（按原文六个技巧归纳）：

  1. 选模式：简单问答/概念查询/翻译/润色/纠错 → Ask；写大纲/拆项目/梳理选题/规划逻辑/搭框架 → Plan；生成成品文档/批量改文件/代码落地/格式转换/方案交付 → Craft。不用高消耗模式做简单预处理。
  2. 配模型：低难度任务选轻量模型（约 1/3 以下消耗）；中度创作选中阶；高阶专业才上高阶；优先选有优惠活动的模型（Hy3 限时免费 / GLM-5.2 夜间 5 折），并挑倍率值低的模型。
  3. 管上下文：新任务必开新对话；单任务定稿后清上下文；超长任务轮次超 10 轮就分段重置。
  4. 说清需求：用四要素模板一次讲全讲准讲透，追求「一次成型、零返工」。
  5. 控输出：强制限定字数、标注精简要求（无需铺垫/拒绝空话套话）、指定输出格式（逐条罗列/先给结果）。
  6. 批量处理：把同类任务（文案优化/答疑/内容创作/文件处理）攒起来统一批量执行，摊薄固定基础消耗。

关键概念

  • WorkBuddy — 本文主体：腾讯桌面 AI 办公 Agent，其积分消耗机制与「Ask/Plan/Craft」三模式权限分层是本文的观察对象
  • Token经济 — 本文的积分损耗即 C 端产品的 Token/Credits 计量形态；「新任务开新对话/清上下文」对应 Token 经济里的「回头税」
  • 多模型路由 — 本文「按任务难度匹配模型 + 倍率值 + 优惠折扣」是个人客户端层的路由实践
  • 上下文工程 — 「新任务开新对话 / 清上下文 / 分词重置」是上下文工程在个人日常使用层的落地
  • AI产品成本核算 — 从产品/团队侧的 API 月成本扩展到 C 端订阅制 AI 工具的个人积分治理
  • Skill — 前序 WorkBuddy 素材中的「Skill 沉淀」属于资产沉淀；本文的省积分则偏「行为层」，二者是同一成本模型的两端
  • Ask / Plan / Craft 三种模式 — 本文提出的 WorkBuddy 权限与消耗三级分层（未建独立实体页）
  • 倍率值 — 模型右侧的积分消耗速度标识（如 0.65x），越小越省
  • 回头税 — 长会话每轮重复输入历史上下文造成的隐形积分损耗（概念已在 Token经济 语境出现）

与其他素材的关联

  • 与 2026-09-28-woshipm-workbuddy-meiyie-4-scenarios（同作者 · 马佳彬同行系列）：同属 WorkBuddy 落地线。前者从行业岗位场景（美业四场景）切入，本文从成本/积分治理切入；两篇合起来构成「怎么用得对 + 怎么用得起」的完整使用面。
  • 与 2026-09-24-woshipm-workbuddy-one-line-requirement-mvp：互补而非冲突。那篇讲「需求只给一句话、不替它拆流程」是把 Craft/专家团队 用在从 0 到 1 交付；本文讲「简单问题别用 Craft」是在同一工具上做模式降级。合读可看出 WorkBuddy 的成本模型：该省的地方（日常问答）降到 Ask，该花的钱（成品交付）才上 Craft。
  • 与 2026-07-23-woshipm-ai-token-cost-six-tips（Qoder 省 Credits）：同一成本模型的两个客户端。那篇的「一次说清 / 拆会话 / 模型分级 / Memory 与 Skill 沉淀」与本文的「说清需求 / 管上下文 / 模型匹配」几乎一一对应；差异在于 Qoder 篇强调「先改工作流，再谈折扣」并给出夜间 0.2 折等运营商式折扣，本文则补充了 WorkBuddy 的具体档位（Ask/Plan/Craft 三模式）+ 倍率值 + Hy3/GLM-5.2 优惠，可视为同一方法论在腾讯产品上的落地映射。
  • 与 2026-09-21-woshipm-pm-ai-tools-skills：那篇把「免费积分」列为 WorkBuddy 值得试的两大理由之一（团队协作 + 免费积分），本文正好回答「免费积分怎么才够用」——省积分本身也是选型后要过的第一道使用关。
  • 与 Token经济 / 多模型路由：本文是这两个实体从「行业/架构层」下沉到「个人日常操作层」的具体样本——把「无效 Token 消耗」「按任务选模型」写成可照做的六条习惯。

原文精彩摘录

很多人用 WorkBuddy，都会遇到同一个尴尬问题：明明没做几次复杂操作，积分就飞速见底，免费额度根本不够用。归结原因，主要是全程用高消耗模式、反复无效对话、零散处理小任务，日积月累造成大量无效积分损耗。

但事实是，三种模式的权限、功能、积分消耗层级完全不同，消耗排序：Ask＜Plan＜Craft。选对模式，单次操作就能直接省下大半积分。

每次发送新指令，系统会自动把当前对话的所有历史内容重新打包输入模型。对话轮次越多、历史内容越长，输入 Token 就越多，积分消耗自然持续上涨。很多时候你只是简单问一个新问题，却因为堆积了几十轮历史对话，积分消耗直接翻倍。

WorkBuddy 每一次独立提问、每一次任务启动，都会产生固定的基础 Token 损耗。10 次零散小任务的消耗，远大于 1 次批量处理 10 个任务的消耗。碎片化操作的基础损耗叠加，是很多重度用户积分不够用的核心原因。

真正的省积分，是不无效消耗、不重复损耗、不盲目高配、不冗余输出。用最低的积分成本，完成最高效的工作产出，才是使用 AI 工具的核心意义。

相关页面

关系图谱

快速导航

反向链接