宝玉@dotey直接上传PDF给AI会因视觉处理多花4倍token，但能保留排版和表格信息以提升回答质量。主推文认为，Agent消耗token的大头是skills和工具调用，且Prompt Caching让输入token对成本影响变小，因此不必刻意省token。开源项目MinerU（7.5w star）可将PDF等文档转为Markdown，保留关键图像和排版，省下80% token，且支持网页免费使用。
一般来说没必要去省那一点 token，如果是图文、带图表的还是 pdf 最简单省事。
费力去转 Markdown + 图片，看起来省 Token，但是导致信息损耗，本来多模态模型可以一页一页"看"内容，换成markdown+图片，图片、图标部分由于分离出去了反而不利于模型理解上下文导致信息损耗。
再说 Token 消耗，现在 Agent 消耗 Token 的大头，不是输入的 token，而是各种 skills、反复调用工具。
而且有 Prompt Caching，输入的 Token 多一点少一点对于最终成本已经差别没那么大了。
宝玉@dotey · X直接上传PDF给AI会因视觉处理多花4倍token，但能保留排版和表格信息以提升回答质量。主推文认为，Agent消耗token的大头是skills和工具调用，且Prompt Caching让输入token对成本影响变小，因此不必刻意省token。开源项目MinerU（7.5w star）可将PDF等文档转为Markdown，保留关键图像和排版，省下80% token，且支持网页免费使用。
一般来说没必要去省那一点 token，如果是图文、带图表的还是 pdf 最简单省事。
费力去转 Markdown + 图片，看起来省 Token，但是导致信息损耗，本来多模态模型可以一页一页"看"内容，换成markdown+图片，图片、图标部分由于分离出去了反而不利于模型理解上下文导致信息损耗。
再说 Token 消耗，现在 Agent 消耗 Token 的大头，不是输入的 token，而是各种 skills、反复调用工具。
而且有 Prompt Caching，输入的 Token 多一点少一点对于最终成本已经差别没那么大了。