简而言之
在明显有回报的地方使用助手;给它聚焦的上下文,而不是整个代码仓库;日常修改选用更小或更快的模型;把困难任务拆成您逐一审查的简单步骤。一项研究发现,在所测试的任务中,AI 辅助编程的碳足迹约为手工编程的 33 倍,因此习惯很重要。
步骤
- 判断这项任务是需要助手,还是自己动手更快。
- 日常补全和修改选用更小或更快的模型。
- 让助手只查看相关文件,而不是整个代码仓库。
- 把困难任务拆成小步骤,每一步审查后再继续。
- 为智能体模式设置步数或花费上限,并停止陷入循环的运行。
- 追踪团队的助手使用量,并与成本一起查看。
有意识地使用助手,而不是条件反射式地使用,并让它读取的内容保持精简。 编程助手很有用,但使用者看不到它消耗的能源。
为什么这很重要?
Cheung 及其同事在一组编程任务上比较了手工开发和 AI 辅助开发,发现 AI 辅助方式的碳足迹约为手工方式的 33 倍,而且任务越难,差距越大。这并不意味着永远不要使用助手,而是要把它用在能真正节省时间的地方。
智能体模式的成本还要更高。Anthropic 报告称,其智能体使用的 token(词元)通常约为聊天的四倍,多智能体系统约为十五倍。
影响最大的是什么?
- 上下文。 助手读取的每个文件,在每一轮都会被重新处理。只打开或引用相关的文件,开始新任务时开启新会话。
- 模型选择。 许多工具允许您选择模型。补全、重命名和样板代码,通常用一个小而快的模型就足够;大模型留给设计和调试。
- 智能体上限。 给智能体一个明确的目标、停止条件和步数上限。请参阅如何防止 AI 智能体浪费 token。
- 小步推进并审查。 由人核查每一步,可以避免长时间朝错误方向运行。
常见错误
- 让智能体在没有边界的循环里“修好测试”。
- 为了改一行而重新生成整个文件。
- 不检查效率就接受代码:请参阅如何让 AI 写出节能的代码。
想了解更全面的情况,请阅读智能体 AI 与 token 浪费。
来源
- Comparative analysis of carbon footprint in manual vs. LLM-assisted code development, Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- How we built our multi-agent research system, Anthropic (2025)
- GreenCode Constitution: agent principles for optimizing code and LLM inference energy use, Kapenekakis, Kim, Ionescu, Thomsen and Albano, GreenAI workshop, ECML PKDD 2026 (2026)
相关内容
如何让 AI 写出节能的代码?
如何提示 AI 编程工具写出高效代码,为什么高效但错误的代码毫无价值,以及在采用生成的代码之前如何测试和测量。
如何防止 AI 智能体浪费 token?
为 AI 智能体设置实用的防护措施:停止条件、步数和 token 上限、循环检测、上下文精简,以及用小模型处理简单步骤。
智能体 AI 与 token 浪费
为什么 AI 智能体消耗的 token 和能源可能是一次聊天的许多倍,循环如何造成浪费,以及哪些防护措施能让智能体保持合适规模。
高效使用 AI:日常习惯
降低 AI 使用能耗的日常习惯:清晰的提示、减少反复重新生成、慎用图像和视频、利用缓存,以及关闭默认开启的功能。