# 如何使用 AI 编程助手而不留下太大的足迹？

> 开发者如何在保留 AI 编程助手好处的同时减少浪费的 token：选对模型规模，聚焦上下文，拆分任务。

Source: https://greenai.guide/zh/如何/如何使用-ai-编程助手而不留下太大的足迹/  
Updated: 2026-11-19

## 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。

## Steps

1. 判断这项任务是需要助手，还是自己动手更快。
2. 日常补全和修改选用更小或更快的模型。
3. 让助手只查看相关文件，而不是整个代码仓库。
4. 把困难任务拆成小步骤，每一步审查后再继续。
5. 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。
6. 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？ {#why-does-it-matter}

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？ {#what-makes-the-biggest-difference}

- **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](/zh/如何/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 {#common-mistakes}

- 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](/zh/如何/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](/zh/文章/智能体-ai-与-token-浪费/)。

## 来源

- [Comparative analysis of carbon footprint in manual vs. LLM-assisted code development](https://doi.org/10.1145/3711919.3728678), Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system), Anthropic (2025)
- [GreenCode Constitution: agent principles for optimizing code and LLM inference energy use](https://greencode.ai/publications/greencode-constitution-agent-principles-for-optimizing-code-and-llm-inference-en/), Kapenekakis, Kim, Ionescu, Thomsen and Albano, GreenAI workshop, ECML PKDD 2026 (2026)
