在 LLM Agent 的工程实践中，token 消耗直接关系到每次任务的运行成本。一份公开的提示词方案近日被分享，其核心目标是在不降低任务质量的前提下，压缩每任务的价格加权 token 成本。该方案强调，衡量效率时应以任务为基本单位，而非按单次请求计量，这为后续优化提供了更贴近实际开销的视角。

据该方案披露，某团队进行了一轮系统性改动，具体措施包括提示词精简、工具卸载、缓存布局调整、稀疏行号引入以及子智能体调优。这组操作共同作用后，整体 token 成本下降了约 7%，而任务质量并未因此受损。这一结果说明，在不牺牲效果的情况下，harness 层面仍存在可观的成本优化空间。

该提示词还给出了实施路径上的建议：先对 harness 进行完整映射，建立可量化的基线，再依据优先级逐项落地改动。这种先测量后优化的顺序，有助于团队避免盲目调整，确保每一步都能被评估和验证。对于正在关注 Agent 运行成本的开发者而言，这套方法提供了一条可复用的操作框架。