「谋定而后动」能否节约 Token——基于灵犀 Claw 的观察、证据与工程化建议

一、概念界定

"谋定而后动"在本文中指：Agent 在调用工具、读写文件、执行多步操作之前，先进行一轮低成本的先行探索与自我审视——包括但不限于：

1. 先观察数据本身：动手前先看原表/原文件自带的线索（字段、日期、结构），而非直接构建处理管道；

2. 口径核对：确认任务目标的匹配口径（哪些数据算、哪些不算）再动手；

3. 路径预演：预判执行路径是否走在正确方向上，发现偏离先停下询问，而不是闷头消耗轮次；

4. 反思路前移：把"事后复盘"提前到"事前预判"，即业界所称的 pre-flight check / plan-before-act。

它与两个业界术语高度重合：Plan-and-Execute（先规划后执行） 模式和 Reflexion（反思） 机制的前置化变体。

二、第一手案例

2.1 案例 A：数据排查类任务（正面教训，核心证据）

任务原型：排查一批"未办结"业务件的原始资料存档位置，需在台账与大文件目录之间建立匹配。

踩坑过程：

• 第一、二轮，Agent 在错误的匹配口径上工作——把错误类型的单据当作匹配目标，逐个读取多份正文全文、构建匹配管道，消耗了大量 token 与轮次；

• 用户纠正了正确的来源口径后，才切换到正确的匹配方式；

• 最终解法极简：用户指出"原表里本来就有回复时间"——台账字段自带日期线索，资料就在该日期附近归档。先观察数据本身，一步即可定位。

token 损失估算：错误口径下逐个读取多份正文全文 + 构建匹配逻辑，按每份文档数千 token 计，浪费的输入 token 在数万量级；而正确路径（看一列日期 → 定位存档）只需一次表格读取。浪费倍数在 10 倍以上。

教训沉淀：此后该 Agent 的核心记忆中写入了一条最高优先级规则

三思而后行：执行任何操作前，先评估"用户的这个操作/指令是否走在实现目标的正确道路上"，而非盲目执行。若发现方向偏离、存疑或有更简路径，先向用户指出并提醒反思，确认后再行动。宁可先问一句，不要无脑消耗轮次和 token。

这正是"谋定而后动"的规则化表达。值得注意的是，这条规则本身由用户纠正行为后沉淀而来——它是 Reflexion"跨尝试学习"的落地形式：反思不改变模型权重，而是以语言形式写入记忆，条件化后续行为。

2.2 案例 B：表格汇总整理类任务（流程复用的收益）

该任务沉淀了完整的可复用流程页（主记录归并、关联记录挂接、按分类拆表、批量删列的顺序技巧与复核要点等）。流程知识沉淀后，同类任务的"探索成本"从多轮试错降为一次读取记忆页 + 按流程执行。这说明谋定而后动的另一面是记忆沉淀：第一轮任务中被"谋定"验证过的路径，写进记忆后，后续任务直接跳过探索阶段。

三、论坛调研：相关讨论现状

围绕「反思」「先思后行」「token/灵点消耗」「记忆系统」等关键词对 WPS 社区进行检索，发现相关讨论存在但分散，尚无人系统论证"先行探索节约 token"这一命题：

1. 论坛上没有找到直接讨论"反思/谋定而后动节约 token"的帖子：这是一个讨论空白；

2. 但外围证据充分：记忆系统架构帖、Agent Loop 帖、灵点成本焦虑帖都在为这一命题提供素材；

3. 社区对配置文件（AGENTS.md 等）和 skill 的呼声，与本文的工程化建议方向一致。

四、理论支撑与业界工程化实践

4.2 业界工程化实践

• 框架成本对比（dreaming.press 基准）：同一任务在不同 Agent 框架上成本差 2-3 倍，差异主要来自规划器调用次数与上下文管理策略——证明执行结构对 token 成本有一阶影响。

• Elastic InfoSec 生产案例（Elastic Security Labs, 2026-07）：通过优化 Agent 结构将 14 个安全运营 Agent 的 LLM 调用削减 60%（从 19 次调用降至个位数），核心手段即前置规划 + 减少冗余观察。

• Claude 生态：社区出现"省 token skill"（虎嗅报道：立降 65%）；Anthropic 官方 29 页 Skill 构建指南 强调按需加载技能说明以压缩系统 prompt；Claude Code 的 Plan Mode（先探索、只读调研、产出方案经用户批准再执行）是"谋定而后动"的产品化样板。

• 可观测性（Datadog、Grafana 的 agentic token 可观测方案）：生产环境已把 token 成本作为一等指标监控——token 经济学已是行业共识议题。

五、对灵犀 Claw 的初步建议

1. 强化 Agent Loop 第 1 步的"谋定"语义：现有 7 步循环中"分析上下文"已存在，建议产品侧将其显性化为可观察的预检环节——执行前先呈现"我注意到数据里有 X 线索，计划走 Y 路径，是否确认"，尤其在多轮长任务前。

2. 提供官方 Plan Mode / 预演模式：参照 Claude Code 的 Plan Mode——只读探索 + 方案文件 + 用户批准后执行。对灵点计费场景，Plan 轮次可考虑低费率，激励用户先谋后动。

3. 记忆系统与"三思"规则打通：核心记忆支持沉淀"行为纠正规则"（已有），建议进一步支持任务级预检清单（如"处理排查类任务前先看台账自带日期字段"），让教训自动条件化后续同类任务。

4. 支持用户级配置文件：回应社区对 SOUL.md/AGENTS.md 类配置的呼声，让熟练用户把"谋定"约束固化为工程化配置，而非依赖对话内纠正。

1. Skill 层的省 token 模式：鼓励技能作者按"渐进披露"（progressive disclosure）组织 SKILL.md——首层只放触发条件与概要，细节按需加载，压缩每轮注入的系统 prompt 体积。

时效增补：灵犀“计划模式”上线后的结论校验（2026-09-02）

产品动态事实

• 2026-08-31 前后，灵犀新任务界面改版并上线计划模式：可在正式执行前先制定计划，经用户确认后再执行；

• 设置—通用设置同步新增“自动切换计划模式”开关，可由系统自动判定是否进入计划；

• 同版本上线待办进度功能，支持实时全览任务进度；以上均属灵犀 8 月版本大更新的一部分（含项目与文档空间等）。

能力边界对照：计划模式 vs 谋定后动四要素

装进灵犀：最省灵点的四件套

上面这些已经打包成 Skill，但更重要的是基础动作——你可以今天就动手：

1. 核心记忆写入"三思而后行"元规则。我给你一个可以直接抄的 160 字模板，写在最上面常驻：

2. 打开计划模式（含自动切换），但别指望它包办一切。它负责把步骤摊给你看，这是好事；但"凭什么这么排"还得我们自己把关。我的用法是：看到计划后多问一句"你去确认一下数据里有没有能直接用的字段"，一轮对话的事，换来整个路径的级联优化。

3. 复杂任务的指令换一种说话方式。不要说"帮我整理这几份文件"，改成"先看看这几份文件的表头和前几行，确认有没有自带的关联线索，再告诉我打算怎么整理、要我确认的地方先问我"。一句话的成本，省下来的可能是几十轮。

4. 接 Skill 就完了。我把本文的完整方法论打成了 plan-before-act.skill，原理上是把上述三阶段变成 Agent 的纪律：想多步任务前，先只读探测、先反思三问、再定点执行，并保留通过抽检回扣兜底。需要自取。

六、最后的两点真心话

写这篇不是黑灵犀，恰恰相反。灵犀的记忆系统是我目前在国产办公 AI 里见过最值得挖的——它本来就支持把教训变成跨会话规则沉淀下来。很多 burning token 的毛病，不是模型笨，是没人教它"停一下"。而灵犀是唯一一个我能真正把这件事"教进去"的，这个真算有点香。

另外，如果你被我这个案例戳到了，建议回头审视一下你自己的 Prompt 习惯。大家刷教程都在学怎么让 AI 多干点，但我劝一句：Agent 时代的朴素真理，是怎么让 AI 少干点没用的。 计划清单再漂亮，不推演就是废纸；模型单价再便宜，盲动起来都是吞金兽。

谋定而后动，事半而功倍。老祖宗这句话，AI 时代意外的管用。

你们平时有没有遇到 Agent "看似有规划其实瞎忙活"的翻车现场？评论区聊聊，看有没有被我漏掉的坑。