什么时候能出鸿蒙版？

一、概述1.1 案例介绍正则表达式难写更难读，一个 (?<=\d)(?=(\d{3})+$) 就能劝退不少开发者。本案例基于 AI IDE 华为云码道（CodeArts）代码智能体，从零构建一款 Regex Explorer 正则表达式可视化测试器：左边写正则、贴文本，右边实时高亮匹配、拆解捕获组，并把每一段正则翻译成人话。全程由码道结合 skills 完成需求、设计、编码与验证，零后端依赖，开箱即跑。本案例采用华为云码道（CodeArts）代码智能体作为核心开发工具，结合dev-process-framework、page-mockup、function-detail等专业化skills，构建从需求分析、系统设计、页面原型到SDD文档体系的完整开发流程。该方案将传统开发中分散的需求文档、设计文档、任务清单整合为规范化的SDD体系，使决策过程可追溯、文档与代码同步更新，大幅提升开发效率和项目可维护性。通过码道的智能体模式，开发者无需深厚架构背景即可快速完成复杂企业级应用的设计与规划。案例技术选型：华为云码道（CodeArts）代码智能体：集代码大模型、AI IDE、Code Agent为一体的智能编码产品。具备强大的需求理解、架构设计和代码生成能力，支持智能体模式自动规划并执行复杂开发任务。本案例中作为核心开发平台，通过对话式交互快速完成固定资产管理系统的需求分析、架构设计和SDD文档生成。SDD规范驱动开发方法论：系统化的软件开发方法论，包含creating-sdd-directory、managing-spec/design/tasks-document四大核心流程skills。使决策过程可追溯，文档与代码同步更新，形成完整知识库，特别适合多模块复杂功能项目。本案例中作为整体开发方法论指导，确保固定资产管理系统开发的规范性、可追溯性和可维护性。1.2 适用对象企业开发者个人开发者高校学生1.3 案例时间如：本案例总时长预计120分钟。1.4 案例流程说明：AI IDE华为云码道（CodeArts）代码智能体安装部署；配置码道devecoflow skill，并使用该skill部署配置码道开发生态skills；对话码道，使用dev-process-framework skill生成系统设计；对话码道，使用page-mockup skill生成前端页面设计；对话码道，使用test-designer skill生成测试设计文档；对话码道，使用function-detail skill整合系统设计和页面设计和测试设计，生成（需求、设计和开发任务）。1.5 资源总览本案例预计花费0元。资源名称规格单价（元）CodeArts代码智能体体验版免费二、环境和资源准备2.1 AI IDE华为云码道安装部署参考案例《AI IDE华为云码道（CodeArts）代码智能体安装部署》完成Windows版AI IDE华为云码道（CodeArts）代码智能体安装部署。注：本案例使用码道智能体模式，模型选择GLM-5.1，开发模式为探索模式(Vibe-Coding Mode)。2.2 配置码道skills2.2.1 配置dev-eco-setup对话码道：“请帮我从https://gitcode.com/sinat_41661654/dev-eco-setup.git下载该skill，并配置到当前项目中。”等待任务执行结束，可在左侧.codeartsdoer\skills目录下查看dev-eco-setup skill。dev-eco-setup skill简介：开发生态自动部署工具，dev-eco-setup skill 自动从 GitCode 下载并部署项目级 skills，一键搭建完整开发生态。适用于新项目初始化和开发生态配置。2.2.2 部署开发生态继续对话码道：“请使用 dev-eco-setup skill 快速帮我部署一下开发生态”。码道将调用 dev-eco-setup skill 自动部署开发生态。等待任务执行结束，可在左侧.codeartsdoer\skills目录下查看开发生态 skills 。开发生态包含以下项目级skills：序号skill 名称功能描述适用场景1dev-process-framework开发流程框架从意图到验证代码的开发流程框架。提供需求细化、架构决策、任务分解、代码质量和质量保证的完整指南。2page-mockupPC端页面原型设计工具根据需求规格说明文档自动生成PC端页面原型设计文档，包含线框图、交互流程、设计规范等。3function-detailSDD 文档体系生成工具从需求规格说明书、架构设计、数据模型设计、API接口设计和页面原型设计生成完整的SDD(Specification-Driven Development)文档体系。4sdd-workflowSDD开发全流程管理工具集成进度跟踪、文档同步、变更管理三大核心能力，确保开发过程可追溯、可复盘、文档一致性。5bug-fix-reporter - Bug修复报告生成器自动生成标准化的 Bug 修复报告。当修复问题、记录修复过程或生成问题文档时使用此 skill。6fullstack-testing全栈测试综合工具包，涵盖测试设计、单元测试、集成测试、E2E测试和覆盖率分析。支持两种模式：测试设计模式：生成测试设计文档和测试用例。测试执行模式：编写和运行pytest/Vitest/Playwright测试也可在码道设置 > 技能与规则的项目级技能中进行查看。注：本案例为固定资产管理系统项目的需求、设计阶段，后续会使用dev-process-framework、page-mockup、function-detail、fullstack-testing等skills辅助码道分别完成 AssetMgmt从原始需求到系统设计、页面设计、测试设计，并最后转化成SDD需求开发设计文档。除上述skills之外，本案例中还用到了如下系统内置skills：frontend-design：码道内置的前端设计skill，提供5种专业主题风格（线性美学、极简现代、苹果极简、赛博朋克、拟物化），用于生成避免AI通用风格的高质量、生产级前端界面代码。SDD：包含四大核心流程skills：**creating-sdd-directory：**是SDD流程的起点，负责初始化规范驱动开发所需的目录结构和基础文件。managing-spec-document：负责管理spec.md文档，明确记录"做什么"，确保需求清晰无歧义，避免开发过程中的需求偏差，是整个SDD流程的基础。managing-design-document：负责管理design.md文档，详细规划"怎么做"，在设计阶段就考虑架构、技术选型和潜在问题，大幅减少返工成本，是连接需求与实现的桥梁。managing-tasks-document：负责管理tasks.md文档，将复杂项目分解为可追踪的具体任务，使开发进度一目了然，是SDD流程的落地环节。2.3 码道使用技巧（上下文选择功能）在执行任务过程中，有时我们期望指令是针对某个具体文件、目录进行，此时需要用到码道的上下文选择功能，此功能用于限定对话和指令的作用范围。在AI IDE界面打开指定的文件/文件夹，在码道对话框中输入“#”弹出选择菜单，根据需要可选择 File（单个文件）或 Folder（文件夹）。选择后，后续对话和指令优先在该范围内执行。作用：提高指令执行精度，避免全局搜索让AI更聚焦于你关注的代码区域加快响应速度，减少无关内容干扰注：后续案例内容若 prompt 中包含#文件/目录名，则说明该指令使用了上下文选择功能。三、构建Regex Explorer应用3.1 项目背景与原始需求开发者在写正则时常面临两个痛点：一是不确定自己的正则到底能不能匹配目标文本，反复试错；二是看到别人写的正则（尤其带断言、惰性量词、命名组的）一脸懵，读不懂每一段在干什么。原始需求一句话概括：做一个本地就能跑的网页工具，把正则的“匹配验证”和“语义理解”合到一屏里。具体目标：输入正则 + flag（支持 g/i/m/s/u/y 复选框与输入框双向联动），实时对测试文本高亮所有匹配；列出每一处匹配的位置区间、各捕获组与命名组的值；把正则逐 token 拆解并翻译成中文说明（如 \d{3} → “任意一个数字 (0-9) —— 恰好重复 3 次”）；内置常用正则速查库（电话、邮箱、URL、手机号、颜色值、日期），点击即填；纯前端完成匹配与解析逻辑，后端仅做静态托管，零外部依赖、零密钥。3.2 部署项目代码1）项目结构说明：Regex Explorer 功能介绍regex-explorer ├── package.json // 项目元信息与依赖（hono、@hono/node-server） ├── server.js // Hono 服务入口：静态托管 public/ + /api/health 健康检查 └── public ├── index.html // 单页界面：正则输入、flag 开关、测试文本、结果区 ├── style.css // 暗色主题样式 ├── explainer.js // 核心：正则逐 token 拆解 → 中文解释引擎 └── app.js // 前端逻辑：实时匹配、高亮、捕获组渲染、事件绑定2）下载源码通过git下载源码到本地，代码仓地址：https://gitcode.com/zhepama/regex-explorer.git3）关键代码讲解依赖安装：进入项目目录执行 npm install 即可。package.json 中依赖已锁定版本，避免后期版本依赖冲突：{ "type": "module", "scripts": { "start": "node server.js" }, "dependencies": { "@hono/node-server": "2.0.4", "hono": "4.12.25" } } 注：这里明确锁定 hono==4.12.25 与 @hono/node-server==2.0.4（而非不带版本号）。早期版本的 serveStatic 存在路径穿越等高危漏洞，升级到上述版本后 npm audit 为 0 漏洞。服务端 server.js：Hono 仅负责静态托管与一个健康检查接口，所有正则计算都在浏览器端完成：import { serve } from '@hono/node-server' import { serveStatic } from '@hono/node-server/serve-static' import { Hono } from 'hono' const app = new Hono() // 健康检查 app.get('/api/health', (c) => c.json({ ok: true, name: 'regex-explorer' })) // 静态资源托管（前端单页应用） app.use('/*', serveStatic({ root: './public' })) const port = Number(process.env.PORT) || 3000 serve({ fetch: app.fetch, port }, (info) => { console.log(`Regex Explorer running at http://localhost:${info.port}`) }) 核心解释引擎 public/explainer.js：逐个扫描正则模式中的 token（转义符、字符类、分组、断言、量词等），输出 [{ token, desc }] 给前端渲染。例如量词的识别：function quantifierText(q, lazy) { let base; if (q === '*') base = '重复 0 次或多次'; else if (q === '+') base = '重复 1 次或多次'; else if (q === '?') base = '出现 0 次或 1 次 (可选)'; else { const m = q.match(/^\{(\d*)(,?)(\d*)\}$/); if (m) { const [, n, comma, mx] = m; if (comma === '') base = `恰好重复 ${n} 次`; else if (mx === '') base = `重复至少 ${n} 次`; else base = `重复 ${n} 到 ${mx} 次`; } else base = `量词 ${q}`; } return lazy ? base + ' (惰性，尽量少匹配)' : base; } 由于正则匹配在浏览器端运行，需注意两个点：一是全局 flag 下空匹配可能导致死循环，需手动推进 lastIndex；二是测试文本需 HTML 转义，防止标签注入：if (re.global || re.sticky) { let m, guard = 0; while ((m = re.exec(text)) !== null) { out.push(snapshot(m)); if (m.index === re.lastIndex) re.lastIndex++; // 防空匹配死循环 if (++guard > 100000) break; } } 4）运行调试在项目根目录执行以下命令启动服务：npm install npm start启动成功后控制台输出：Regex Explorer running at http://localhost:3000浏览器打开 http://localhost:3000 即可使用。可用 curl 验证接口与静态资源都正常：$ curl -s http://localhost:3000/api/health {"ok":true,"name":"regex-explorer"} 页面上输入示例正则 (\d{3})-(\d{4})、flag g，测试文本“联系电话 010-1234，备用 021-5678。”，右侧会实时高亮两处匹配，列出每处的捕获组 1/2 与位置区间，并逐段给出中文解释（如“捕获分组开始 (第 1 组)”、“任意一个数字 (0-9) —— 恰好重复 3 次”）。安全提醒：该服务为无鉴权的本地静态服务，仅适合本地开发与演示，请勿直接暴露到公网。四、扩展资料说明码道版本新特性说明：https://support.huaweicloud.com/wtsnew-codeartssnap/index.html#section2【案例共创】【第11期】华为云码道（CodeArts）代码智能体 + 新特性完成应用开发/调试实践https://bbs.huaweicloud.com/forum/thread-0212721403979154441-1-1.html

一、概述1.1 案例介绍在Web应用开发中，端到端测试是保障产品质量的关键环节，然而传统测试方式却让开发者苦不堪言。编写Playwright或Selenium测试脚本需要掌握复杂的API和选择器语法，一个简单的搜索验证场景就要写几十行代码；调试失败测试更是噩梦——定位元素、排查网络请求、分析控制台日志，往往耗时数小时；多标签页切换、网络拦截模拟、登录态管理等高级场景的测试代码更是晦涩难懂。据统计，测试脚本的编写和维护成本占项目总测试成本的60%以上。本案例通过华为云码道代码智能体结合playwright-cli-automation Skill，实现"零代码玩转浏览器自动化测试"的创新体验，让Web测试像对话一样简单。本案例基于华为云码道代码智能体，结合playwright-cli-automation Skill，实现浏览器自动化测试的零代码化操作。用户通过自然语言对话方式，即可完成页面交互与快照验证、网络拦截与存储状态管理、多标签页操作与调试诊断等典型Web测试场景。案例完整演示了如何安装配置码道AI IDE、安装playwright-cli-automation Skill，以及通过自然语言对话驱动Playwright完成三大实战场景：Bing搜索验证、example.com网络拦截与状态持久化、Hacker News多标签页操作与网络监控，全面展示零代码浏览器自动化测试的强大能力。案例技术选型：华为云码道（CodeArts）代码智能体：集代码大模型、AI IDE、Code Agent为一体的智能编码产品。理解项目需求，懂得编码之道，善用百器的实干派AI研发砖家。本案例中作为核心操作平台，通过智能体模式驱动playwright-cli-automation Skill执行浏览器自动化测试任务。Playwright：微软开源的新一代浏览器自动化框架。支持Chromium、Firefox、WebKit三大浏览器引擎，提供可靠的端到端测试能力，是Web测试领域的事实标准。本案例中作为浏览器自动化引擎，由码道通过CLI方式驱动执行各类测试操作。playwright-cli-automation Skill：基于playwright-cli的浏览器自动化技能。支持页面交互、网络拦截、状态管理、测试代码生成、调试诊断、规范驱动测试等全场景能力，无需编写脚本代码即可完成复杂浏览器交互任务。本案例中作为码道的专属测试技能，实现自然语言到浏览器操作的智能转换。1.2 适用对象个人开发者高校学生企业开发者1.3 案例时间本案例总时长预计60分钟。1.4 案例流程说明：安装部署华为云码道（CodeArts）代码智能体 AI IDE；PC本地安装 playwright cli 环境；对话码道，配置码道playwright-cli-automation skill；对话码道，体验与实战playwright-cli-automation skill。1.5 资源总览本案例预计花费0元。资源名称规格单价（元）CodeArts代码智能体体验版免费 二、环境和资源准备2.1 AI IDE华为云码道安装部署参考案例《AI IDE华为云码道（CodeArts）代码智能体安装部署》完成Windows版AI IDE华为云码道（CodeArts）代码智能体安装部署。2.2 基础环境搭建打开码道AI IDE终端窗口，输入如下指令确认本地已经安装了nodejs/npm。node --versionnpm --version注：若尚未安装，可参考案例《SKILL快速构建你的Java、Python和Node.js开发环境》使用 dev-env-setup skill 对话码道，完成PC本地Python和Node.js开发环境的搭建。txt复制代码请使用dev-env-setup skill帮我在本地部署一下python和Nodejs开发环境。继续在终端窗口执行如下命令，安装playwright cli并对其进行验证。npm install -g @playwright/cli@latest # 安装playwright cliplaywright-cli --help # 验证playwright cli 2.3 配置码道项目级技能对话码道：“帮我从gitCode上下载cid:link_5，并将该skill加载至.codeartsdoer\skills码道的项目级skill”。等待码道自动完成playwright-cli-automation skill下载与配置，可在设置 > 技能与规则的项目级 > 技能中进行查看。playwright-cli-automation介绍：playwright-cli-automation 是一个基于 playwright-cli 的浏览器自动化 skill，通过命令行方式驱动 Playwright 进行网页操作、测试生成、E2E 调试等，无需编写脚本代码即可完成复杂的浏览器交互任务。功能介绍：浏览器操作：打开/导航/前进/后退/刷新/关闭页面，多标签页管理。页面交互：点击、填充、输入、按键、悬停、选择、勾选、JS 执行，支持快照 ref、CSS 选择器和 Playwright 定位器。网络拦截/模拟：路由拦截、模拟响应（自定义状态码/Body/ContentType）、路由列表与取消。存储状态管理：保存/加载浏览器状态（Cookie、localStorage、sessionStorage）。测试代码生成：从实时交互自动生成 Playwright 测试代码。调试与诊断：CLI 调试失败测试、控制台日志、请求监控、追踪录制/停止、截图标注。规范驱动测试：规划→生成→修复的完整测试工作流。高级代码执行：通过 run-code 执行自定义 Playwright 代码（地理位置、权限、媒体模拟、iframe 等）。应用场景：Web 自动化测试 — 快速执行表单填写、页面导航、元素交互等端到端测试测试代码生成 — 通过交互式操作自动生成可复用的 Playwright 测试脚本调试失败测试 — 以 CLI 模式附加到调试会话，交互式排查问题网络模拟与拦截 — 模拟 API 响应、屏蔽资源，用于前后端分离开发或异常场景测试会话与状态管理 — 保存/复用登录态，实现带认证的自动化流程规范驱动测试 — 从需求规范出发，自动规划、生成并修复测试用例浏览器调试与录制 — 录制追踪/视频，截图标注，辅助问题定位 三、技能体验与实战 场景一：页面交互与快照验证对话码道，测试skill完成页面交互与快照验证：请使用playwright-cli-automation skill帮我打开 Bing 搜索，搜索 "playwright automation"，然后告诉我搜索结果有多少条，并截图保存。任务运行结束，搜索结果：页面显示 9 条搜索结果（li.b_algo 元素），并保存截图./bing-playwright-automation.png。 场景二：网络拦截与存储状态管理继续对话码道，测试skill完成网络拦截与存储状态管理：继续帮我打开 example.com，把所有图片请求都拦截掉不让加载，然后往 localStorage 里存一个键值对 test_key=hello_playwright，保存当前浏览器状态，关闭浏览器后再重新加载状态，确认 localStorage 里的值还在。任务运行结束，运行结果如下： 场景三：多标签页操作与调试诊断继续对话码道，测试skill完成多标签页操作与调试诊断：继续帮我打开 Hacker News 首页，再开一个新标签页访问 example.com，在两个标签页之间切换操作，点进首页的某个链接后再后退回来，全程帮我监控控制台日志和网络请求。任务运行结束，运行结果如下：至此，码道驭网：零代码玩转浏览器自动化测试案例结束。 本文正在参与：【案例共创】【第11期】华为云码道（CodeArts）代码智能体 + 新特性完成应用开发/调试实践cid:link_4

win11 CodeArts在6月8日点击“华为账号登录”没有反应，之前可以正常使用

基础版订阅为什么限速？5秒钟写一个token？

系统： win10       也无法创建智能体

目前Clion插件中找不到codearts，也没有Linux下x86_64的IDE

云码道作为鸿蒙应用开发者而言是巨大的方便利器，作为纯血鸿蒙开发者，本人对云码道的收费无异议，并且也用实际行动给予了充分支持、从免费的到基础的（一天就用完了2000万TOKEN）.然后又升级了专业版（6000万Token），然后没办法又开通了按量计费。但是在价格体系上，个人认为有改进方案，A,订阅制分三档没问题，三档又设置不同的TOKEN.给人感觉是又要按月收费，又不愿让用户用的太多。B/按照用量收费，业界普遍采用该方式也能接受。问题刚好出在这个两个方案上，A方案专业版用户TOKEN用完后必须开通B方案才能继续使用。给人的感觉是又要按月收费，又要按TOKEN收费。云码到擅长的是鸿蒙应用开发，非鸿蒙应用开发者会用吗？体量大吗？我不知道。非用用自己不擅长的方向和别人擅长的方向竞争。既要鸿蒙应用开发，又要其他应用开发。自己的位置在哪呢？但是我知道非要给自己设置一个高高的门槛，看似收益满满，但失去的一定比的到的更多。改进建议：要么按照月订阅，最高档不限TOKEN，要么按照量计费。看似两者结合是优雅的解决方案，给用户的感觉就是在试探用户的钱包。

这个对话框中不能输入中文了，输入法切换没有反应，系统中的其他应用都是正常的且点击对话框中的上传图片按钮是，直接退出了。版本: 26.5.2VSCode 版本: 1.109.5提交: 2eafbafef36115c216288339f8723055cdf90362日期: 2026-06-01 20:40:08OpenCode: 1.2.10Electron: 39.3.0Chromium: 142.0.7444.265Node.js: 22.21.1V8: 14.2.231.22-electron.0OS: Linux arm64 5.10.97-arm64-desktop-full 

windows和mac都有cli，更擅长terminal的linux不应该没有啊。

实际开发场景6000万token顶不过5天，重度应用1天就可以耗完，相比deepseek v4 pro价格就贵太多了非专业版还不开放自定义模型，搞得连你的IDE都用不了，真不知道你这准备咋推广现在只能用TRAE和claude code + deepseek 了，拜拜

Agent模式选择与Token高效使用技巧在AI编程助手中，合理选择工作模式并养成高效的交互习惯，是平衡开发效率与成本的关键。本文将系统性地解析Ask、Plan、Agent三种模式的区别，并提供一套从模式选择到日常习惯的Token优化策略。一、 三种核心模式：定位与区别Ask、Plan、Agent模式在交互方式、任务处理逻辑和资源消耗上存在系统性差异，理解其定位是高效使用的前提。特性Ask（问答模式）Plan（计划模式）Agent（智能体模式）交互方式对话式，单轮请求-响应计划-批准-执行的多步交互目标驱动，全自动执行控制粒度细粒度，精确控制代码修改中粒度，可审查并调整执行计划粗粒度，只定义最终目标任务复杂度简单、原子性任务（如解释代码、写工具函数）中等至复杂的多步骤任务（如跨文件重构）非常复杂，需系统思维的任务（如实现完整功能）透明度高（直接看到代码变化）非常高（先审阅计划，后看执行）较低（像一个自主运行的黑盒）Token消耗低。单次交互，上下文依赖有限。中。生成计划和执行步骤需要额外Tokens，但避免了Agent的盲目试错。高。多轮迭代导致上下文滚动积累，Input Token占主导。Token消耗深度分析进行问题探索分析时从Agent模式切换到Ask模式下进行，能显著节约Tokens，Ask模式节约Tokens的原因在于其底层机制：单次交互：Ask模式通常针对单一问题生成回答，完成一轮对话后任务即结束，不会保留复杂的任务状态来回传递。有限上下文：它主要依赖当前文件或您选中的代码片段进行分析，避免了加载大量无关的项目文件信息。无迭代开销：不涉及复杂的“思考-行动-观察”循环，不会在每轮迭代中都反复携带完整的历史对话上下文。相比之下，Plan和Agent模式的Token消耗，尤其是Input Token的占比会显著更高。Agent模式是Token消耗的“大户”，它会像真正的程序员一样自主工作，进行多轮思考、编码、测试和调试，可能会有大量的“盲目行动”带来的高额试错成本。关键在于，每轮迭代它都可能将之前的完整上下文（包括思考过程、代码变更、错误信息等）重新作为输入，导致Input Token快速累积，占据总消耗的主导地位。二、 模式切换策略：梯度式开发以节约Tokens遵循“由简到繁，按需切换”的原则，可以构建一个既高效又经济的开发流程。第一阶：优先使用 Ask 模式进行探索和澄清场景：当您对问题本身或技术方案还不清晰时。做法：先用Ask模式提问，例如：“解释一下这个API的工作原理” 或 “为这个功能设计几种实现方案并分析利弊”。效果：以最小代价厘清思路，避免直接使用高级模式因目标模糊而产生大量无效迭代。第二阶：复杂或高风险任务升级到 Plan 模式场景：需要进行跨文件重构、添加复杂功能或框架迁移等。做法：使用Plan模式，让它先给出详细的步骤计划。您可以在执行前审查和调整，确保大方向正确。效果：Plan模式的透明度避免了Agent模式“盲目行动”可能带来的高额试错成本，实现了成本与风险的控制。第三阶：目标明确且琐碎的任务交付给 Agent 模式场景：实现一个定义清晰的完整功能（如“添加用户登录页面”），或修复一个原因不明的复杂Bug。做法：直接使用Agent模式，给出高级目标即可。效果：用较高的Token消耗换取您的时间解放，适合您不想关心实现细节的标准化任务。总结：Ask模式是最高效的“侦察兵”，Plan模式是可靠的“规划师”，Agent模式则是强大的“施工队”。在编程任务中，明智的做法是先派“侦察兵”探路，再让“规划师”绘制蓝图，最后才决定是否投入“施工队”进行大规模作业。三、 进阶Token节约习惯：从“习惯”到“精通”除了模式选择，日常的交互习惯对Token消耗的影响同样巨大。以下技巧由浅入深，能帮助您进一步优化成本。习惯适用人群设置成本节省效果1. 明智选择模型所有人1分钟习惯1.8倍至9倍/每次调用2. 精简输入文件所有人0分钟习惯每次请求高达80%3. 任务会话隔离所有人0分钟习惯长会话中30-50%4. 提问简短具体所有人0分钟习惯20-40%5. 定期压缩会话CLI用户0分钟习惯后续消息约40%6. 使用全局指令文件CLI用户10分钟每会话消除200-500个Token7. 压缩指令文件CLI用户5分钟每会话上下文Token约46%8. 使用项目级指令开发者5分钟每会话消除300-800个Token9. 配置ignore文件开发者10分钟文件查询时输入Token40-60%10. 启用响应压缩CLI用户2分钟输出Token65-75%习惯详解明智选择模型：不要默认使用最强大的模型。对于简单的问答和Agent任务，使用高性价比模型；对于复杂编码，使用中高级模型。仅在处理极其困难的任务时才召唤顶级模型。精简输入文件：避免附加整个代码库或巨大的文件。只提供完成任务所必需的最小代码片段。这能直接减少Input Token的数量。任务会话隔离：对于不相关的任务，开启新的聊天会话。避免在一个长会话中混合多个主题，这会累积不相关的上下文，导致每次请求都携带大量“历史包袱”。提问简短具体：清晰、简洁的指令能让AI更准确地理解您的意图，减少生成无关内容的风险，从而节约Input和Output Tokens。定期压缩会话：在CLI中，大约每20条消息使用一次/compact命令。这会总结并压缩历史对话，显著减少后续消息中携带的上下文长度。使用全局/项目级指令：通过全局指令文件（如instructions.md）或项目级指令来定义您的偏好、编码风格和常用规则。这避免了在每个会话中重复输入这些信息。配置ignore文件：类似于.gitignore，此文件可以指定哪些文件或目录在AI进行项目级查询时被忽略，如node_modules、dist等，从而大幅减少扫描的文件量。启用响应压缩：在CLI中启用响应压缩功能，可以显著缩短AI返回内容的长度，直接降低Output Token的消耗。养成好的习惯习惯 1：提问简短且具体提问时要简短且具体，避免模糊表达或超过当前问题覆盖范围，对AI而言表达越明确越好。将此添加到你的提示词中作用“用一句话”强制给出简短回答“只写代码，不解释”从回复中去除解释性文字“仅列出”跳过描述性段落“在 file1/file2/file3.ts 中”将范围限制在一个范围内“3 个要点”明确限制回复长度低效示例：“我有一个项目，你是否可以查看所有文件，理解它是如何工作的，或许还能提一些改进建议，并解释整个代码库中可能的安全问题……”高效示例：“用 3 个要点总结 file1/file2/file3.ts 中的xx流程。”习惯 2：引用具体文件，而非所有文件始终指明希望助手查看的具体文件、函数或行号。除非确实需要，否则绝不要说“整个项目”或“所有内容”。“查看我的项目并找出所有 Bug” = 助手尝试读取每个文件 = 消耗海量 Token。“检查 file1/file2/file3.ts 中的空指针 Bug” = 一个文件，一个问题 = 节省 95% 的 Token。习惯 3：当你想要简短答案时，明确要求简短回答助手默认会提供详细的解释。除非你明确说明，否则它不知道你想要一个简洁的答案。“这个函数是做什么的？最多两句话。”“修复第 xx 行的 Bug。只给出代码。”“这个方法正确吗？是/否，并给出一个理由。”习惯 4：为每个新任务开启新对话一个任务 = 一次对话。当你完成一个任务或切换主题时，开启一个全新的对话。不要在一个长的会话中处理多个不相关的任务。对话中的每条消息都会与之前所有的消息一起作为上下文重新发送。在经过 10 轮左右对话后，每提出一个新问题，都需要为重新处理整个历史记录付费——即使这些历史记录已经完全无关。习惯 5：对于简单任务，使用常规聊天模式而非智能体Agent模式智能体模式的成本显著高于常规聊天模式——由于累积的上下文，其每一步的成本可能是常规问答的 10 倍左右。使用智能体模式的情况使用常规聊天模式的情况重构整个认证模块修复第 xx 行的 Bug为整个功能添加单元测试为这个函数写一个测试从一个框架迁移到另一个框架向我展示如何使用这个 API从零开始构建一个新功能解释这段代码是如何工作的提示：如果智能体模式运行超过 15 步且没有进展，请停止它，不要再让智能体继续尝试迭代了。每一次失败的尝试仍然会消耗Tokens。习惯 6：对于复杂任务，先使用常规聊天模式探索澄清，然后使用Plan模式规划可行的操作步骤，最后再使用智能体Agent模式“施工”避免直接使用Agent模式，没有清晰可行的任务规划时，Agent模式可能会有大量的“盲目行动”带来的高额试错成本。总结在Agent中实现Token高效利用是一个多维度的策略：核心策略：采用梯度式模式切换，从Ask到Plan再到Agent，步步为营。日常习惯：养成精简输入、隔离任务、选择合适模型等基础好习惯。进阶技巧：利用指令文件、ignore配置和会话压缩等工具进行深度优化。通过综合运用以上方法，您将能够在享受AI编程助手带来的巨大便利的同时，有效控制其使用成本，实现效率与经济的双赢。

新账号，个人免费版本，VS Code插件使用：问题1：认证失败问题2：错误直接报底层错误码，也不给指导意见

太太亏贼了，直接给我电脑干死机了

前面修复的BUG，做的修改，莫名其妙丢失了。这个问题很影响使用体验啊，严重拖慢了开发进度。关键是没有任何错误提示，和异常，都不知道问题出在哪里。