据PCWorld报道，Claude AI用户正采用一种“原始人”式提示技巧，通过从回答中剔除填充词和冠词来减少Token消耗。这种方法能显著削减输出Token数量，例如，一段关于神经网络的解释在使用简化语言后，Token数从460个骤降至仅80个。尽管这对编程任务很有效，但关于“原始人”提示法是否会损害细致解释的回答质量，争论仍在持续。
众所周知，Claude消耗Token的速度就像克尔维特跑车耗油一样快——而就像汽油一样，Token是要花钱的。这正是重度Claude用户一直在寻找节省Token使用量方法的原因。最新的窍门？一种疯狂且颇具争议的新方法：像原始人一样说话。
具体操作如下：用户通过专门的系统提示词或完整的插件，指示Claude像原始人一样说话，剥离所有冗余内容，包括开场白、赞美之词、题外话、填充词（如“非常”、“真的”）、重复表达，甚至冠词（“a”、“the”）。
在Reddit等平台上流传的众多“原始人”系统提示词建议中，包括这样一条：“说原始话。用名词和动词。无语法填充词（the， is， are， of）。用短词。省Token。要直截了当。”
具体结果会因你使用的确切提示词而有很大差异。我尝试了一个变体，除了指定要避免的冠词外，还要求它砍掉客套话和填充词。我从Claude那里得到的回复并非真正的原始人语言，不过我确信通过恰当的提示是可以实现的。相反，我得到的是极度简练的回应，没有任何闲聊和离题内容。
例如，当要求一个被“原始人”提示的Claude解释神经网络基础知识时，它给出了如下回复：
神经网络：连接节点的层。输入层接收数据。隐藏层发现模式。输出层给出结果。
节点传递信号，重要性加权。训练通过反向传播调整权重——最小化误差，重复数百万次。
关键类型：CNN（图像），RNN（序列），Transformer（语言）。现代LLM是大规模Transformer。
这是一个50词的回复，大约相当于80个Token。（Token数比单词数多，是因为AI模型在处理前必须将较长的单词、标点符号和表情符号分解成更小的单元，而每个单元都算作一个Token。）相比之下，当我没有使用“原始人”提示时，Claude给出的回复长达330个单词，460个Token。
那么，结论已定，对吧？我们都用“原始人”模式！嗯，并不完全如此。
自本月早些时候“原始人”提示开始流行以来，它在Reddit和其他地方引发了激烈争论。一些用户认为，这种“原始人”方法会导致回答质量降低、过于简单化。另一些人则指出，任何Token节省都只针对输出Token，而不是你发送给Claude的Token。此外，一个复杂的“原始人”系统提示词在你每次发送新提示时都会产生成本。
“原始人”方法也可能并非万能。虽然它可能非常适合编程这类通常期望得到干脆利落回答的任务，但对于需要更多细节或微妙之处的“解释性”提示（例如我之前“告诉我关于神经网络”的请求），它可能就不是最佳选择了。
尽管如此，Claude的“原始人”方法仍是用户如何创造性地提高其AI Token效率的又一个例证。随着越来越多强大的智能体工具（如Claude Cowork）进入主流，即使是偶尔使用AI的用户也面临着Token效率问题。
事实上，那些更受欢迎的Claude“原始人”插件的开发者们，正在迅速找到在不牺牲质量的前提下，延长其Claude Token使用的方法。
