点击文末阅读原文链接，即可领取 AlphaClaw 免费试用。
袁华萃
iCourt 法律 AI 研究员
用 AlphaClaw 整理一份卷宗、撰写一份文书、审查一份合同，有时需要消耗不少算力。尤其是处理复杂任务时，Token 消耗可能比预想中更高。
但消耗的 Token 越多，是否就意味着 AI 完成得越好？
未必。
对于 AI Agent 来说，Token 消耗不仅取决于任务本身的复杂程度，也受到思考深度、文件处理方式、历史对话、工具调用等因素的影响。
同样一个任务，使用方法不同，Token 消耗可能存在明显差异。
结合 AlphaClaw 的亲身使用经验，我们整理了 5 个节省 Token 的方法，帮助律师把有限的 Token 用在真正重要的工作上。
优先使用「自动模式」，合理分配思考强度
律师日常使用 AI 时，面对任务的复杂程度千差万别。
有时只是解释一个法律概念、查找一条法规；有时却需要分析数十份案件材料，研究复杂的法律关系，甚至制定完整的诉讼策略。
不同任务对 AI 思考深度的要求不同。如果始终采用较高的思考强度处理所有问题，就可能在简单任务上产生不必要的 Token 消耗。
AlphaClaw 提供了「快速」「均衡」「深度」三种思考深度：
快速： 适用于简单问答、名词解释、基础信息整理等任务，通常响应更快、Token 消耗最少。
均衡： 兼顾处理效果与 Token 消耗，适合大部分日常工作。
深度： 适用于复杂合同分析、多文件交叉审查、疑难案件研究等需要充分推理的任务，通常会消耗更多 Token。
如果不确定应该选择哪种思考深度，可以优先使用 AlphaClaw 的「自动」模式。
在这一模式下，系统会根据任务需求自动匹配思考深度，让简单任务尽量减少不必要的推理投入，也为复杂任务保留充分分析的空间。
当然，「自动」模式并不意味着每次都能实现最低消耗。对于重要、复杂的法律任务，仍然需要关注实际分析质量，必要时手动切换至「深度」模式。
使用建议：日常任务优先尝试「自动」模式，重要且复杂的任务根据实际需要提高思考深度。
优化文件格式，减少不必要的识别与解析
律师经常需要将合同、判决书、卷宗、笔录等材料交给 AI 处理。
但同样一份文件，不同的处理方式，可能带来不同的 Token 消耗。
例如，一份扫描版 PDF，AI 可能需要先识别页面中的文字，再进行分析；而对于已经提取出来的纯文本，AI 可以直接处理文字内容。
其中，有一种值得了解的文件格式：Markdown（.md）。
Markdown 是一种结构简洁的文本格式，可以保留标题层级、段落、表格等信息，同时减少复杂排版带来的处理负担。
对于以文字为主的长篇法律材料，提前完成文字提取，并整理成 Markdown，在部分场景下能够减少后续重复识别、转换文件的需要。
具体可以分成两种情况。
第一种：Word、可直接提取文字的 PDF，可以直接交给 AlphaClaw。
如果文件本身已经包含清晰的文本，没有必要为了节省 Token，专门再做一次格式转换。
第二种：扫描件、复杂排版文件，或者需要反复使用的长篇材料，可以考虑提前转换。
例如，律师手上有一份数百页的扫描卷宗，需要分多次分析其中的文字内容。
这时，可以先使用具备 OCR 能力的工具识别文字，再将识别结果整理成 Markdown 文件，供后续任务使用，避免在不同任务中重复进行相同的文字识别工作。
转换时，可以参考下面的提示词：
文档转 Markdown 提示词：
请将提供的文档内容转换为结构化 Markdown 格式。
要求：
仅进行格式转换，不修改、润色、归纳或删减原文内容。
保留原文的标题层级、条款编号、段落关系及表格结构。
法律条文、合同条款、金额、日期、主体名称等重要信息必须准确保留。
保留可用于定位原文的页码及其他关键信息。
无法准确识别的文字请标记为「无法辨认」，不要自行推测补全。
不生成摘要、不添加法律分析或解释。
需要注意的是，Markdown 并不是一种不会消耗 Token 的文件格式。 只要文字内容进入模型上下文，仍然会产生相应的 Token 消耗。
此外，如果原始材料包含图片证据、手写签名、印章、复杂表格等信息，就不能只保留转换后的文字，而应同时保留原始文件，以便必要时核对。
涉及案件秘密、客户信息等敏感资料时，也应优先使用符合保密要求的文档处理工具，避免未经授权将材料上传至第三方平台。
使用建议：普通文件直接读取；对于识别成本较高、需要重复使用的文字材料，可考虑提前转换。
按任务管理对话，避免上下文持续膨胀
很多律师使用 AI 时，习惯把不同问题放在同一个对话中。
比如，上午让 AlphaClaw 分析一份合同，下午让它查找几个案例，晚上又让它整理另一案件的证据材料。
看起来只是在同一个聊天窗口里连续提问，但从 AI 的运行机制来看，这可能增加不必要的 Token 消耗。
因为 AI 为了理解当前问题，通常需要读取一定的历史对话信息。
当对话越来越长、任务之间的关联性越来越弱时，无关的历史内容就可能持续占用上下文，增加 Token 消耗。
因此，没有必要把所有工作都放在同一段对话中完成。
更合理的方法是按照案件和任务组织资料，按照工作需要开启对话。
例如：
不同案件： 尽量分开管理，避免案件资料相互混杂。
不同任务： 合同审查、法律检索、文书起草等关联性不高的工作，可以分别开启对话。
长期项目： 可以使用 AlphaClaw 的「项目空间」，集中保存相关材料。
对于需要持续推进的案件，也不必为了节省 Token 而不断放弃已有的分析结果。
例如，一个复杂诉讼案件已经完成事实梳理和争议焦点分析，接下来需要研究诉讼策略。此时可以先保存前一阶段的重要结论，再在新对话中引用相关材料，而不是从头重复全部工作。
这样既能保证案件工作的连续性，也能避免大量无关历史消息反复参与后续任务。
使用建议：无关任务开启新对话，长期工作善用「项目空间」。
善用专项 Skill，减少不必要的Token 消耗
除了调整思考深度、优化文件和管理对话，还可以借助一些专门的 Skill，提高 Token 使用效率。
Skill 可以理解为一套可复用的任务规则或工作流程，让 AI 按照预先设定的方法完成工作。
其中，有两类值得关注的 Skill：一类帮助 AI 减少不必要的文字输出，另一类帮助用户优化已有 Skill 的工作流程。
1、「原始人 Skill」：让 AI 少说废话
「原始人 Skill」（Caveman）的核心思路很简单：在保留关键信息的前提下，让 AI 使用更加简练的语言回答问题。
例如，普通模式下，AI 可能先用几段话解释背景，再介绍分析思路，最后才给出结论。
而启用「原始人 Skill」后，AI 会倾向于省略不必要的铺垫，直接给出关键判断和操作建议。由于 AI 生成的文字同样需要消耗 Token，因此，精简回答有利于减少 Token 的消耗。
对于律师来说，这种方式比较适合日常问答、简单资料整理、快速信息查询等场景。
但需要注意，「原始人 Skill」主要优化的是回答的表达方式，而不是 AI 内部的推理过程。
如果需要撰写起诉状、答辩状、法律意见书、尽调报告等正式成果，不建议一味压缩输出的内容，从而避免影响内容的完整性。
2、「鲁班 Skill」：打磨经常使用的工作流程
「鲁班 Skill」（Luban）则采用另一种思路。
它不是直接要求 AI 少说话，而是帮助用户检查、改进已有 Skill，包括任务规则是否清晰、工作流程是否合理、哪些环节需要调整，以及修改后能否通过实际任务验证。
例如，律师有一个经常使用的尽职调查 Skill，其中包含大量任务说明、材料处理规则和输出要求。
使用「鲁班 Skill」，可以对这套工作流程进行检查，寻找重复说明、规则不清晰或不必要的处理环节，并在不损害任务效果的前提下尝试优化。
如果优化后的 Skill 能够减少不必要的上下文加载或重复执行，那么在长期反复使用时，就可能逐渐降低 Token 消耗。
不过，「鲁班 Skill」本身并不是专门的 Token 压缩工具，优化过程也会产生额外的Token 开销。它更适合打磨那些需要长期、频繁调用的 Skill，而不是为了节省一次临时任务的 Token 消耗。
使用建议：日常简短问答可以尝试「原始人 Skill」；长期反复使用的 Skill，可以考虑通过「鲁班 Skill」进行优化和验证。
合理分配任务，让 Alpha 大数据库、AlphaGPT、AlphaClaw 各司其职
前面介绍的技巧，主要是 AlphaClaw 内部减少 Token 消耗的方式。但还有一种更直接的方法：善用不同的 Alpha 产品，因为并不是所有法律工作，都需要交给 AlphaClaw 来完成。
在 Alpha AI 产品平台中，律师可以使用 Alpha 大数据库、AlphaGPT 和 AlphaClaw。根据任务的实际需求，合理选择工具，往往比单纯研究如何减少 Token 更有效。
1、查询法律信息，优先使用 Alpha 大数据库
如果只是需要检索法律法规、司法案例等信息，可以直接使用 Alpha 大数据库的专业检索功能。这些工作并不一定需要通过 AlphaClaw 发起任务需求。
2、单次输入、输出的工作，优先使用 AlphaGPT
对于法律咨询、合同审查、文书起草等工作，如果律师已经有明确的任务和材料，希望 AI 分析后直接生成结果，那么通常情况下，AlphaGPT 就能够满足需求。
例如：
输入一个法律问题，让 AlphaGPT 提供分析和参考依据。
上传一份合同，让 AlphaGPT 识别风险并提出修改建议。
提供案件事实和相关材料，让 AlphaGPT 起草法律文书。
这些任务即使具有一定的专业复杂度，也不意味着一定需要使用 AlphaClaw。
更重要的是，AlphaGPT 每天提供较为充足的使用额度，通常能够覆盖律师大量高频、常规的法律工作。
而 AlphaClaw 采用单独的 Token 消耗计算机制。如果所有问题都通过 AlphaClaw 处理，就可能占用原本可以留给复杂任务的 Token 额度。
因此，对于单次输入、输出即可完成的工作，可以优先考虑 AlphaGPT。
3、多步骤执行、跨工具协作的任务，再交给 AlphaClaw
AlphaClaw 的优势，在于能够调用工具、使用 Skill，并将多个工作步骤串联起来。
例如，律师希望 AI：先整理电脑里的案件材料，再梳理争议焦点，接着调用法律数据库查找相关法规和案例，最后结合检索结果生成分析报告。
这类任务往往需要多个步骤、多种工具协同，甚至在不同工作阶段持续推进，就更适合交给 AlphaClaw。
因此，选择 AlphaGPT 还是 AlphaClaw，关键并不只是问题难不难，而是这项工作需要一次性完成，还是需要 AI 自主执行多个步骤。
结论：更好、更经济地使用AlphaClaw
以上 5 个技巧，可以帮助律师优化 AlphaClaw 的使用方式，但实际节省效果，还会受到任务复杂度、材料大小、工具调用方式等因素的影响。
除此之外，还有一个看似简单、却很重要的习惯：在向 AlphaClaw 提出任务需求时，我们要尽可能把问题、背景材料、工作要求和交付标准说明白。
例如，与其反复要求 AIphaClaw 修改一份报告，不如在开始时就明确报告需要解决什么问题、依据哪些材料、有哪些分析边界，以及最终希望得到什么结果。
对于复杂任务，还可以设置必要的阶段性检查，避免 AIphaClaw 在错误方向上持续执行，以致最终要从头返工。
说到底，节省 Token 并不是让 AI 尽可能少做事，而是减少不必要的 Token 消耗，把 Token 留给真正需要它的地方。
对于律师而言，准确性、完整性和专业质量始终是第一位的。在这个前提下，提高每一单位 Token 的使用效率，才是更值得追求的目标。
/ / /
本文示例的 AlphaClaw，是专为律师打造的法律龙虾：
无需接入 MCP，自带 6亿+ Alpha 法律大数据；
内置 200+ 官方自研 & 校友共享优质法律 Skill，每月更新；
自主调用工具，主动推进工作，帮律师完成复杂法律任务。
点击阅读原文，即可免费试用法律垂类龙虾 AlphaClaw，体验法律 AI 智能体+法律数据库+专业 Skill 的强强联合。
👇