As operações de Armstrong para reduzir custos e aumentar a eficiência são realmente hardcore. A taxa de acerto de cache subiu de 5% para 60%, os gastos com IA foram cortados pela metade, o Token continua a subir. Vale a pena estudar.

Armstrong partilha práticas de redução de custos e aumento de eficiência num contexto de aumento acentuado na utilização de tokens: sem limites, através da otimização do modelo predefinido, encaminhamento inteligente e estratégias de cache para controlar custos. Utilização de modelos de pesos abertos como GLM 5.2 e Kimi 2.7 para substituir modelos gerais caros, encaminhamento de tarefas correspondentes, cache de pré-processamento e gestão de sessões para reduzir o desperdício de tokens, com a taxa de acerto a subir de 5% para 60%. Como resultado, os gastos com IA foram quase reduzidos para metade, enquanto a utilização de tokens continua a crescer.