标题：让AI自己决定怎么写代码：一个节省50%Token消耗的实战技巧

摘要：Simon Willison从Claude Code团队获得核心效率技巧：让Fable等AI智能体自主判断工作方式，而非硬性规定。通过委托低功耗模型处理机械任务，主循环保留高价值判断，实测可显著降低token消耗。在Fable涨价前夕，这或许是开发者的关键应对策略。

AI编码工具的使用正在从“规则驱动”转向“判断力优先”。Simon Willison在与Claude Code团队交流后提出的核心洞察，可能预示着人机协作编程范式的下一次转变：不必告诉AI智能体“如何做”，而是让它自己决定“做什么”。

Willison的建议直指当前开发者使用AI编码工具时的常见误区：过度工程化地设计提示词，试图穷举所有边界情况。他主张让Fable及Opus模型自行判断何时编写测试、采用何种实现策略。这种“放权”逻辑，并非降低要求，而是通过释放AI的自主决策能力，提升整体效率。

更关键的操作来自Jesse Vincent的委派策略：将较小任务委托给低功耗模型，Sonnet负责实质性实现，Haiku处理机械性修改。主循环则保留判断、审计、数据合成等高价值任务。这一分工逻辑本质上是将AI工具视为一个团队——高级模型做主架构师，中低端模型做执行者。Willison将此提示词存入Claude Code记忆文件后，Fable的token消耗速度明显下降。

这一技巧的行业背景不容忽视：Fable面临即将到来的涨价。对重度用户而言，token消耗的优化直接关系使用成本和项目可持续性。而Willison的方案恰好抓住了AI效率瓶颈的本质：不是控制模型的行为，而是优化任务分配的粒度。

从更宏观的角度看，这一实践呼应了“Why Not Programming”理念——与其花时间制定规则，不如让AI自行判断最优路径。对于那些动辄动用最强大模型处理所有任务的开发者，这一建议更具现实意义：低功耗模型完全胜任的任务，没必要消耗高性能算力。

建议开发者立即将Willison的提示词策略纳入自有工作流，并针对自身项目特点调整任务分配参数。在AI编码工具日趋同质化的当下，能否高效利用token、能否构建合理的多模型协作机制，或许将成为开发者效率的新分水岭。与其执着于“如何让AI听话”，不如学会“如何让AI自己判断”。