起因

这周我把公司 AI 组整理的项目知识库接进了 Claude Code 的开发流程，结果简直了 🤦‍♂️

模型的 Token 费用直接往上飙，迭代开发一个小需求花了将近 2 个小时。而之前同样复杂度的需求，顶多 30 分钟内搞定了。

怀揣着纳闷查了下原因——发现是因为知识库里某个 800 多行的 md 文件 导致的。

是的，就一个文件。

问题在哪

很多人觉得「知识库越大越好」「技能越全越牛」，恨不得把团队 wiki、API 文档、历史决策记录一股脑全塞给 AI。

但你有没有想过——大模型上下文窗口是固定的。

你把一个 800 行的文件喂进去，模型得「读完」它才能理解你的需求。这期间：

1. Token 消耗量暴涨（钱啊）
2. 模型注意力被稀释（质量降了）
3. 响应速度变慢（时间长了）

你以为是「喂得越饱，干活越好」——实际上是「喝水撑死」。

三个规则

我踩完坑之后，给自己定了三条铁律：

1. 每个 md 文件不超过 200 行

超过 200 行，说明这个文件的粒度有问题。拆。不要犹豫。

2. 用 readme 建立索引，别把所有细节堆进去

readme 就是地图，告诉模型「什么信息在哪个文件里」。模型需要的是导航能力，不是全文背诵。

3. 模块粒度要清晰、明确、简单

一个模块做一件事。如果这个文件既讲 API 又讲部署又讲历史背景——拆成三个文件。

最终解法

文件拆完之后，整个知识库还是有点大。怎么办？

向量化。

把整个知识库通过向量化模型转成向量数据，存到本地的向量数据库里。写一个脚本和 Skill，让模型在需要的时候主动检索，而不是被动接收全部内容。

效果：

• 上下文干净了
• Token 省了
• 响应变快了
• 关键是——精度反而提高了

因为模型拿到的是精确匹配的相关信息，不是一堆噪音里的模糊答案。

小结

给你的 AI 知识库和 Skill 做一次瘦身吧。检查一下：

• 有没有超过 200 行的文件？
• 能不能用 readme 做索引？
• 颗粒度够不够清晰？

你的模型会感谢你——你的钱包也是 😊