摘要
當 ChatGPT 從聊天工具變成 AI 代理，一則提示詞已經很難代表一次工作。Work 與 Codex 可以在背後讀取上下文、搜尋資料、操作工具、推理，再依結果決定下一步；同樣一句要求，最後可能展開成完全不同規模的工作流程。這也是為什麼使用量不能只靠「今天問了幾次」估算。本文從一次每週使用額度歸零的經驗出發，拆開「使用額度、點數、詞元」三個容易混在一起的概念，再把 AI 用量重新理解成一筆「認知資源預算」：困難的工作可以多花，沒有邊界的探索則應該及早停下來。

引言

最讓我焦慮的，其實不是使用量顯示 0%，而是那一刻，我曉得怎麼消耗量這麼大。
之前初次跟 AI 聊天時，明明沒有跟 ChatGPT 聊上幾百輪。有些工作，我甚至只下了一兩個 Prompt：幫我查資料、讀幾份文件、整理一下結果。

結果某次工作做到一半，我準備叫它繼續，直接沒了。

〔截圖 1：ChatGPT 使用量頁面，5 小時使用量剩餘 100%，但每週使用上限剩餘 0%，並顯示下一次重置時間〕

你以為自己只問了一次，Agent 可能已經工作很久了。

所以這篇我解決當時真正想知道的三件事：

• 到底是什麼在吃 Usage？
• 哪些消耗其實值得？
• 又有哪些，只是 Agent 在替我做白工？

我也會拿同一個研究任務做一次對照：一邊讓 AI 代理自由探索，一邊先限制第一輪的搜尋邊界，看看兩條工作路徑到底會差多少。

我只送出一個提示詞，AI 接到的可能是一整份工作

以前聊天時，我很容易用「今天問了幾次」估計自己用了多少 ChatGPT。到了 Work、Codex，這個算法開始失效。

同樣是一個提示詞，「幫我把這段文字改順」和「讀完這些資料、找官方來源、比較不同說法，再整理成一篇文章」，背後的工作量差很多。後者需要帶著更多前文往下做，也可能要判斷、搜尋、開網頁、讀檔案，找到資料後再繼續下一步。

OpenAI 在官方文件裡會把這些因素分成上下文(context)、推理強度(reasoning)、工具(tools) 等概念。對第一次碰到使用量限制的人，我覺得先不用急著背名詞。把它翻成日常語言，其實就是三件事：AI 這次要記住多少東西、這一題需要想多深、以及它為了完成任務還要出去跑多少步。

像我前幾天研究鐵人賽主題，看起來可能只下了一句「幫我查這個題目」。Work 真正做的事情卻可能是搜尋、打開來源、讀內容、比對，再根據前面找到的東西繼續查。最後我拿到的可能只有兩頁整理，前面其實已經跑過一串工作。

〔截圖 2：實際展開一次 ChatGPT Work／AI 代理任務的執行紀錄，可以看到搜尋、讀取、工具操作與耗時等步驟。〕

所以我現在比較少看提示詞的數量，而會看「這句話裡到底包了多少工作」。研究、篩選、比較、規劃、寫作，如果全部塞在同一個要求裡，它仍然只顯示成一則訊息，但對 Agent 來說已經是一段很長的工作流程。

還有一點要先釐清：使用量頁面的百分比不是「剩餘詞元 數」。依 OpenAI 目前的說明，部分方案中的 Work、Codex 等 Agent 功能會共用額度或點數池，而實際用量又會受到模型、任務複雜度、上下文、推理、速度與工具等因素影響。API 裡可以明確計算的詞元，則是另一套使用與計價概念。

知道這件事之後，我反而不太執著一句提示詞 到底用了幾個詞元。比較重要的是，我交出去的工作有多大。

有些工作值得多花，有些工作真的不用

如果只是統一二十個文章標題的格式，我希望 AI 趕快做完。要是碰到難重現的 Bug、架構取捨，或需要讀很多來源才能判斷的研究，我反而不希望它為了省資源草草回答。

差別在工作的難度，也在錯了之後要付出多少成本。

〔圖 3：工作難度 × 錯誤成本 2×2 象限圖。橫軸為「工作難度：低 → 高」，縱軸為「錯誤成本：低 → 高」〕

看到這張表時，我才比較能說清楚自己現在怎麼看詞元。

我會把它當成一筆認知資源預算。

這不是詞元 的技術定義，而是我目前安排 AI 工作的一個方法。簡單工作不用動員太多資源；真的需要判斷的工作，就讓模型多花一點時間。我要避免的，是 AI 不知道我要什麼，只好反覆理解、到處搜尋，最後把資源花在沒有增加多少資訊的地方。

從這個角度看，「省詞元」反而不是最準確的目標。我真正想控制的是：這份工作值得多少 AI 的力氣。

知道錢花去哪裡之後，我現在比較在意別讓 AI 做白工

把詞元 當成認知資源預算後，我目前最想養成五個習慣。

這五招裡，我最想先實測的是「限制探索來源」，因為它很容易做出 A/B 差異。

A 組只寫：

幫我研究 ChatGPT Work 的使用量機制。

B 組則把第一輪範圍寫清楚：

第一輪只查 OpenAI Help Center 與官方開發者文件，先回答使用量受哪些因素影響，以及 Work、Codex 的額度關係。官方資料回答不了的部分先列出缺口，不要立刻擴大搜尋範圍。

〔圖 4：自由探索 vs. 限定第一輪的雙軌工作路徑圖。左側讓 Agent 自行擴張搜尋範圍，呈現較多分岔、重新搜尋與回頭路；右側先限定官方來源與指定問題，遇到資料缺口時先回到人決定是否擴大。核心不是證明「一定比較省詞元」，而是希望讀者關注：設定邊界後，「是否繼續探索」的決策重新回到人手上。〕

兩組都使用相同模型、相同題目，從新的工作階段開始。我會記錄完成時間、搜尋輪數、打開多少來源，以及前後使用量的變化。這組測試不能證明「限制來源一定省下多少詞元」，但能把抽象的概念變成一段看得見的工作流程：Agent 少走了哪些路，最後的答案有沒有因此變差。

另外四招就不一定全部硬做 A/B。像長任務分階段，比較適合畫成「一路做到尾」和「研究 → 收斂 → 寫作」兩條工作軌跡；推理強度則必須連答案品質一起比較，單看使用量沒有意義。

用量歸零後，我反而比較知道什麼時候該讓 AI 多想

剛看到每週使用量 0% 時，我第一個反應確實是：以後是不是該省一點？現在我比較少這樣想。而是每次把工作丟出去前，多問一句：這件事，我準備讓 AI 花多少力氣來做？

如果今天遇到一個難解的 Bug、重要的研究問題，或錯一次會浪費更多時間的工作，多花一些資源很合理。真正讓我介意的，是 Agent 不知道邊界在哪裡，只能自己一直找；工作做到一半沒有停損點，只好繼續試；本來只需要一小塊資料，最後卻讀了一大圈。

我現在會把詞元 想成一筆認知資源預算。該花的地方就花，剩下的，盡量不要讓 AI 做白工。