AI知识库瘦身：一个800行文件导致Token费飙、效率降一半
AI 总结 · 连续创业者视角（以下内容由 AI 提炼，观点归原作者；读完可不看原文）
作者给Claude Code接入项目知识库后，因单个800行md文件导致开发一个需求耗时从30分钟增至2小时、Token费暴涨。通过三规则（单文件<200行拆分、readme建索引、模块颗粒度清晰）+向量检索重构，实现上下文精简、响应变快且精度反而提高。对创业团队用AI辅助开发/运维有直接降本意义。
- 单文件超200行必拆，解决粒度问题
- 用readme作导航索引，别让模型全文背诵
- 模块按职责拆分，一个文件只做一件事
- 引入向量数据库+脚本，按需检索替代全量注入
- 瘦身后Token省、速度涨、精度反升，直接省钱
单个800行知识库文件，让开发耗时从30分钟暴涨至2小时
很多人有一个误区，认为项目知识库越大、技能库越全越好，于是把团队 Wiki、API 文档、历史决策记录一股脑塞给 AI。但大模型的上下文窗口是固定的，喂得越多，反而“喝水撑死”。
核心结论：AI 知识库必须瘦身。通过控制单文件行数、建立索引索引、以及引入向量检索，可以显著降低 Token 成本，提升响应速度，甚至提高回答精度。
案例实测数据：作者将公司 AI 组整理的知识库接入 Claude Code 后，因单个 800 多行的 md 文件，导致 Token 费用暴涨，迭代一个小需求耗时从正常的 30 分钟增加到了将近 2 小时。清理并重构后，上下文干净了，精度反而提高了。
问题出在哪？当你把一个巨大的文件喂进去，模型必须先“读完”它才能理解需求。这期间产生了三个副作用：Token 消耗量暴涨、模型注意力被稀释、响应速度变慢。
三条铁律重构知识库
踩坑后，作者总结了三条必须遵守的规则：
- 单文件不超过 200 行：超过 200 行说明文件的粒度有问题，必须拆分，不要犹豫。
- 用 README 做导航索引：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。
- 模块颗粒度清晰：一个模块只做一件事。如果文件里既讲 API 又讲部署还讲历史背景，必须拆成三个文件。
终极解法：向量化 + 按需检索
文件拆分后，如果整个知识库依然很大怎么办？答案是向量化。
具体做法是将整个知识库通过向量化模型转成向量数据，存入本地向量数据库。同时编写脚本和 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。
这种“按需检索替代全量注入”的方式，让模型拿到的不再是噪音里的模糊答案，而是精确匹配的相关信息。
可复现的执行步骤
如果你的团队也在用 AI 辅助开发或运维，建议立即执行以下动作：
- 审计现有知识库：检查是否含有超过 200 行的单一 md 文件。
- 拆分与索引：按职责拆分大文件，编写 README 作为全局索引。
- 引入向量检索：搭建本地向量数据库，开发检索脚本，实现 Context 的动态加载。
瘦身之后，省下的不仅是 Token 钱，更是团队宝贵的开发时间。
原文 · 远飞闲记：阅读原文 →
相关工具推荐（推广）：GLM Coding Plan — AI Coding Powered by G…