为何需要关注 Token 消耗
在基于 Codex 或类似大型语言模型的开发环境中，AGENTS.md 文件常被用作系统级指令集，用于定义代理的行为规范、代码风格及工作流。然而，随着项目复杂度提升，该文件往往变得冗长且包含大量重复性描述。每次会话初始化时，这些文本都会作为 System Prompt 的一部分被发送给模型，导致初始 Token 基数显著增加。对于高频调用或长上下文对话场景，这种“隐形”的 Token 浪费不仅推高了 API 调用成本，还可能因接近上下文窗口上限而提前截断重要信息，影响生成质量。
优化策略：精简与结构化
要实现有效的 Token 消耗优化，核心在于对 AGENTS.md 内容进行重构。首先，应摒弃自然语言的冗余叙述，转而采用结构化标记（如 YAML 或紧凑的 Markdown 列表），确保每条指令具有唯一性和必要性。其次，利用“引用外部资源”而非“内联所有规则”的策略，将通用的编码规范移至仓库根目录的其他文档中，仅在 AGETS.md 中保留指向链接。此外，定期审查并删除过时或未被代理实际使用的指令，保持文件的最小化状态。通过这种方式，可以在不牺牲功能的前提下，大幅降低单次请求的 Token 占用。
平衡效率与准确性
尽管减少 Token 能带来直接的经济效益，但过度精简可能导致代理行为偏离预期。因此，优化过程需遵循“关键指令优先”原则，保留对代码安全性、架构一致性至关重要的约束条件。建议建立自动化测试流程，在修改 AGENTS.md 后验证代理输出的一致性。最终，一个经过精心优化的 AGENTS.md 应在保持代理智能表现的同时，成为控制 LLM 运行成本的关键杠杆，实现开发效率与经济性的双重提升。