在GitHub一個(gè)相對(duì)低調(diào)的角落，一份由前亞馬遜美國數(shù)據(jù)分析師Drona Reddy發(fā)布的Markdown文件引發(fā)了技術(shù)社區(qū)的關(guān)注。這份名為Claude.md的文件采用MIT開源協(xié)議，通過一套結(jié)構(gòu)化指令對(duì)大語言模型Claude的輸出行為進(jìn)行約束，聲稱能在不修改代碼的情況下將輸出Token使用量減少超過60%。

該文件的核心機(jī)制在于建立嚴(yán)格的輸出規(guī)范：限制響應(yīng)長度、強(qiáng)化Token使用效率、禁止冗余表述、控制排版格式，并明確要求模型避免阿諛奉承式回答。具體措施包括剔除自動(dòng)生成的客套話（如"當(dāng)然可以"）、樣板結(jié)束語（如"希望對(duì)您有所幫助"），禁止重復(fù)提示內(nèi)容或提供非必要建議，同時(shí)規(guī)范標(biāo)點(diǎn)符號(hào)使用（如禁用"em"破折號(hào)和智能引號(hào)），防止模型無條件認(rèn)同存在缺陷的假設(shè)。

Reddy的模擬數(shù)據(jù)顯示，這套方法在高頻使用場景下效果顯著。在每日100次提示的場景中，每月可節(jié)省約0.86美元的Token成本；當(dāng)提示次數(shù)提升至1000次時(shí)，節(jié)省金額達(dá)到8.64美元/月。更復(fù)雜的組合場景下，單個(gè)項(xiàng)目每月可減少近288000個(gè)Token消耗，相當(dāng)于節(jié)省25.92美元。但研究者特別強(qiáng)調(diào)，該方案在低頻使用場景中可能適得其反——由于文件本身需要消耗輸入Token，當(dāng)輸出量不足以抵消這部分成本時(shí)，整體開銷反而會(huì)增加。

這份文件明確列出了三大適用場景：首先是高容量自動(dòng)化流程，如簡歷篩選機(jī)器人、智能體循環(huán)系統(tǒng)和代碼生成工具；其次是需要重復(fù)處理結(jié)構(gòu)化任務(wù)的場景，數(shù)百次交互中的冗余積累會(huì)顯著影響效率；最后是團(tuán)隊(duì)協(xié)作環(huán)境，嚴(yán)格的輸出控制能提升響應(yīng)一致性和數(shù)據(jù)解析可靠性。相對(duì)的，單次探索性查詢、深度故障排查等需要靈活反饋的場景則不建議使用。

行業(yè)分析師對(duì)這項(xiàng)創(chuàng)新持謹(jǐn)慎樂觀態(tài)度。Forrester首席分析師Charlie Dai指出，63%的Token縮減率對(duì)運(yùn)行大規(guī)模Claude工作負(fù)載的企業(yè)具有實(shí)際意義，既能降低推理成本，也能減少響應(yīng)延遲。Pareekh Consulting首席分析師Pareekh Jain則補(bǔ)充稱，雖然這種方法能帶來操作層面的優(yōu)勢(shì)（如輸出標(biāo)準(zhǔn)化和延遲優(yōu)化），但對(duì)企業(yè)AI總成本的影響可能有限——輸入上下文、檢索系統(tǒng)和智能體編排通常才是成本的主要構(gòu)成部分，因此多數(shù)企業(yè)可能僅能實(shí)現(xiàn)個(gè)位數(shù)的成本下降。

值得關(guān)注的是，Claude.md的設(shè)計(jì)具有模型普適性，理論上適用于所有能解析結(jié)構(gòu)化指令的大語言模型。不過Reddy坦言，目前尚未在本地部署模型（如運(yùn)行在llama.cpp或Mistral框架上的模型）上驗(yàn)證其效果。這種通過行為約束而非代碼修改來優(yōu)化模型輸出的思路，為AI效率提升提供了新的實(shí)踐路徑。