[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-token-efficiency::ru":3,"gloss-cluster-token-efficiency::ru":26,"gloss-next-token-efficiency::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"token-efficiency","prompt-eng","Экономия токенов","Экономия токенов — это практика достигать заданного качества вывода меньшим числом входных и выходных токенов. Это одна из немногих оптимизаций в ИИ-системе, улучшающих сразу три вещи: стоимость падает, потому что провайдеры берут плату за токены; задержка падает, потому что меньше нужно обработать и сгенерировать; а точность часто растёт, потому что более короткому и лучше устроенному промпту модели легче следовать.\n\nПоследний пункт удивляет тех, кто считает, что больше контекста — безопаснее. Модели неравномерно распределяют внимание по длинному входу, и материал в середине большого контекста чаще недооценивается по сравнению с материалом по краям. Набивка промпта едва релевантными документами поэтому не просто стоит дороже: она способна разбавить те инструкции и свидетельства, которые важны, — вот почему агрессивные настройки поиска часто делают ответы одновременно хуже и дороже.\n\nКрупнейший выигрыш обычно структурный, а не стилистический. Системный промпт, отправляемый с каждым запросом, стоит проверять жёстко: каждое слово в нём оплачивается при каждом вызове. Найденный контекст — обычно самая крупная и легче всего раздуваемая составляющая, и вернуть меньше, но лучше ранжированных фрагментов почти всегда выгоднее, чем вернуть много. История диалога, воспроизводимая целиком, растёт без предела, и сжатие давних реплик с сохранением недавних дословно — стандартная практика. Примеры для обучения в контексте окупают токены лишь до тех пор, пока не задан шаблон; дальше это расход без эффекта.\n\nВывод заслуживает такой же придирчивости, а часто и большей, поскольку выходные токены обычно дороже. Просьба вернуть структуру, а не прозу, разумный предел длины, указание не пересказывать вопрос и отказ от объяснений, которых никто не читает, срезают расход напрямую. Там, где модель просят рассуждать перед ответом, рассуждение — настоящая работа и его стоит оплачивать, но только там, где задача этого требует.\n\nВторая половина дисциплины — кэширование. Там, где провайдер поддерживает кэш стабильного префикса промпта, порядок, при котором неизменная часть идёт первой, превращает повторяющуюся стоимость в гораздо меньшую. Семантическое кэширование целых ответов помогает при повторяющихся вопросах, а простая дедупликация одинаковых параллельных запросов убирает траты, которых никто не хотел.\n\nИзмеряйте это как число токенов на единицу работы — на диалог, на документ, на решённый случай — рядом с метрикой качества и следите за обеими при любом изменении конфигурации. Экономия без метрики качества рядом рано или поздно находит ту обрезку, которая экономит деньги и тихо ломает функцию.","Экономия токенов — получение того же качества меньшим числом токенов. Она снижает стоимость и задержку разом и обычно улучшает точность, а не разменивается на неё.",null,[11,14,17,20,23],{"slug":12,"name":13},"context-stuffing","Переполнение контекста (Context Stuffing)",{"slug":15,"name":16},"inference-cost","Стоимость вывода модели",{"slug":18,"name":19},"prompt-caching","Кэширование промптов",{"slug":21,"name":22},"prompt-compression","Сжатие промпта",{"slug":24,"name":25},"token-budget","Бюджет токенов",[27,31,35,38,42,45,48,51,52,55,58,61],{"slug":28,"category":5,"name":29,"updated_at":30},"analogical-prompting","Analogical Prompting","2026-09-08T21:32:35+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"automatic-prompt-optimization","Автоматическая оптимизация промптов","2026-09-08T21:32:36+00:00",{"slug":36,"category":5,"name":37,"updated_at":34},"chain-of-density","Цепочка плотности (CoD)",{"slug":39,"category":5,"name":40,"updated_at":41},"chain-of-thought-prompting","Chain-of-thought-промптинг (промптинг с цепочкой рассуждений)","2026-09-08T21:32:34+00:00",{"slug":43,"category":5,"name":44,"updated_at":30},"chain-of-verification","Chain-of-Verification",{"slug":46,"category":5,"name":47,"updated_at":41},"chunking","Чанкинг (Chunking)",{"slug":49,"category":5,"name":50,"updated_at":41},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":12,"category":5,"name":13,"updated_at":41},{"slug":53,"category":5,"name":54,"updated_at":41},"delimiter","Разделитель (Delimiter)",{"slug":56,"category":5,"name":57,"updated_at":30},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":59,"category":5,"name":60,"updated_at":30},"emotion-prompting","Emotion Prompting",{"slug":62,"category":5,"name":63,"updated_at":41},"few-shot-prompting","Few-shot-промптинг (промптинг с примерами)"]