TRAE Work积分体系已经正式上线3天了，说实话，刚更新完的时候有点小慌，再也不能白嫖免费额度了。
但是，现在已经完全离不开手里的几个agent，TRAE Work、WorkBuddy、Codex、Claude，还得继续用它们干活，要么用它们的积分，要么用自己的API。这时候，就必须得好好想想怎么能尽量省积分、省token，毕竟打工人，肯定不想在AI、在agent上花那么多钱。
周末继续用TRAE Work给小程序升级功能，突然有那么一下，提示我打到50轮对话上限了，建议我新开对话。然后我就停了下来，坐在那开始想：与其每次都踩到边界再慌，不如把自己折腾AI大半年攒下来的经验好好整理一遍。动作做在前面，总比看着积分余额一个劲往下掉心疼强。
下面就是自己这大半年，触发过TRAE Work的每日限额、周限额、月限额，同时最近30天还用DeepSeek API烧掉了7亿多token，也用WorkBuddy一晚上烧光全部积分，踩了无数坑总结出来的省积分、省token的"六脉神剑"独门心法。
第一式：根据任务难度/场景类型选模型
推理模型和推理模型比、多模态模型和多模态模型比，国内同类型的大模型能力实际用起来差距并没有参数显示的那么大。
有了这个前提，就有两条选择线：
一是按任务难度选。简单任务用小模型，长线任务用积分倍率低的模型，重要任务、复杂任务才用大模型。
二是按场景类型选。写文案、列计划、分析数据用推理模型，比如DeepSeek V4系列；vibe coding就用编程能力更突出的模型，比如GLM系列、模型名称带code的；需要识图、生图、解析视频、生成视频，才用多模态模型。
多模态模型的积分/token消耗比推理模型大得多，你写个方案却选了多模态模型，那就是纯纯的浪费。
对了，同一个模型在TRAE Work和WorkBuddy里的积分倍率也不一样。认准某个模型跑任务的话，选低的那个，同样的任务能省下不少。
| 模型 | TRAE Work 积分倍率 | WorkBuddy 积分倍率 |
|---|---|---|
| Hy3 | - | 0.00x |
| Seed-2.1-Pro | 0.77x | - |
| Seed-2.1-Turbo | 0.10x | - |
| Seed-Code | 0.03x | - |
| DeepSeek-V4-Flash正式版 | 0.05x（限Ultra会员） | - |
| GLM-5.2 | 0.40x | 0.79x（夜间折扣） |
| GLM-5.1 | 0.83x | 0.79x |
| GLM-5 | 0.70x | - |
| GLM-5v-Turbo | - | 0.95x |
| DeepSeek-V4-Pro | 0.32x | 0.16x |
| DeepSeek-V4-Flash | 0.05x | 0.16x |
| Kimi-K3 | 1.65x（限Pro+以上会员） | 1.62x |
| Kimi-K2.7-Code | 0.62x | 0.57x |
| Kimi-K2.6 | 0.69x | 0.52x |
| MiniMax-M3 | 0.26x | 0.25x |
| Qwen3.7-Plus | 0.25x | - |
第二式：多agent模式
按任务类型把工作拆给不同的子agent，每个子agent只干自己那一类活。
我开发内容助手的时候就是这么干的：用新建对话的方式拆成前端和后端两个子agent——前端负责UI界面，后端负责功能实现。其实还可以再加一个"总工程师"做全局协调和调度。
现在的agent基本都有全局记忆和项目记忆，同一个项目（通俗理解就是同一个文件夹）下，多个对话之间、多个agent之间的记忆和信息是互通共享的。
有这个前提支撑，放心把任务拆给不同子agent。好处是每个agent都只跑一个类型的任务，这样就能避免上下文污染，后续任务读取信息就准确，输出就稳定，就能少返工、不返工。返工，才是最烧积分的地方。
第三式：手动压缩上下文
agent默认支持的上下文长度是有限的——TRAE Work和WorkBuddy都是200K，最新版Codex默认590K。超出额度会触发自动压缩，agent自己会提取上下文里的"关键"信息，传递给新的上下文。
但自动压缩有个问题：它自己判断的"关键"不一定准确。
所以我现在会手动压缩。把上下文里哪些信息必须保留，自己指定清楚，压缩完准确度就高很多。后续任务能正确读取，不会因为信息丢失或读错返工，也就省下了不必要的积分。
第四式：拆分对话/上下文
本质就是同一个工作空间里新开对话。
一个对话里的上下文经历过多次压缩（不管是自动还是手动），每压缩一次，新的关键信息就会覆盖旧的关键信息，压缩几次以后，就很难保证关键信息的准确性和完整性。
所以，一个项目不要一个对话从头用到尾。该新建对话就新建，让每个对话的上下文核心关键信息更完整、更准确。
第五式：固定工作流写成skill
那我自己来说，在公司每天要汇总分析数据、每周要写周报、每月要写月报，再比如我最近用Codex做视频——这些高重复度、基本固定不变的工作流和业务流程，都值得提炼固化成一个skill。
需要执行的时候直接调用，让agent按固定的流程、规范和边界跑任务。这样产出稳定，不用每次重新描述需求，也不会因为表达不准确让agent拆解执行出偏差，再花积分去纠偏。
第六式：自动化任务本地化
以前我也习惯把定时定点做的机械性重复工作，挂成TRAE Work和WorkBuddy的自动化任务。可有时候忙起来会忘了打开客户端；就算没忘，每次触发自动化任务，都在消耗积分。
后来我做运营数据看板，把每天要重复做的下载报表、解析数据这些动作，写成了本地自动化脚本，整个数据处理工作流集成做了一个单机版客户端。每天只需要打开客户端，点一下按钮，脚本跑完全流程，数据呈现到看板上——一个token都没花。
靠着这套独门心法，这大半年时间闭环了大大小小4个项目，粗略算了一下，对比一开始完全没有意识的"愣头青"式用法，大概省下来了至少30%的积分和token。
总结一下六招：按任务难度/场景类型选模型、多agent模式、手动压缩上下文、拆分对话/上下文、固定工作流写成skill、自动化任务本地化。
希望这套省积分、省token的"六脉神剑"在日常重度使用agent干活的你有所帮助，如果你愿意分享给身边在用AI agent的朋友，说不定他会回来感谢你。