技能檔案比從頭開始撰寫 prompt 更省成本，因為它只需支付一次設定成本，而不是每一則訊息都要支付。每次你向空白的 AI 聊天重新解釋自己的角色、語氣和格式時，都是用 token 為這段說明付費 - 而 token 就是金錢、訊息額度和內容視窗空間；你把這些資源花在開銷上，而不是實際工作上。
「可重複使用的背景資訊」系列第 1 部分 · KissMySkills 團隊著
你每次都要付出的 300 個 token
開啟 Claude、ChatGPT 或 Gemini 的空白聊天，請它協助你撰寫董事會更新。在它能做任何有用的事情之前，你必須告訴它你是誰、公司做什麼、董事會期望什麼語氣、更新應遵循什麼格式，以及你心目中的「良好成果」是什麼。這不是一句話的請求 - 而是一個段落，有時甚至是三個段落。
把那段文字打出來，然後用 tokenizer 處理。典型的「這是我的角色、這是背景資訊、我喜歡這樣的格式」開場白，會有 200-400 個 token。而這還是在你提出實際問題之前。由於大多數人不會把這段開場白儲存在任何地方，因此每次開啟新聊天時，都會重新輸入一個版本 - 略有不同，也略不完整。
把這個情況乘以你實際使用 AI 處理工作的頻率。如果你每天開啟五個新聊天，並且每次都重新解釋背景，那麼你每天會花費 1,000-2,000 個 token，只為重新建立 AI 應有的身分。一個月下來，就是 20,000-40,000 個 token，純粹花在暖場上 - 這些 token 完全沒有產出任何成果。
前後對照：同一個請求，兩種方式
沒有技能檔案時，典型的 prompt 看起來是這樣：
「你要以幕僚長的身分協助我。我經營一家有 40 人的 SaaS 公司，我們向由 5 人組成的董事會報告，他們喜歡簡潔的更新，先講重點，不要贅詞，始終包含燒錢率和現金跑道，使用 Markdown 格式，頂端要有 TL;DR……[後續還有 150 個字]……現在撰寫本月的更新。」
這就是「重新解釋稅」- 下週要再付一次，下一週還要再付一次，而且通常還會遺漏某些內容（上次你提到現金跑道，這次卻忘了，因此輸出內容前後不一致）。
使用技能檔案後，同樣的請求只需要：「撰寫本月的董事會更新：營收 340K 美元、燒錢 85K 美元、成功完成兩筆企業交易。」角色、語氣、格式和標準都已載入 - 只需撰寫一次，每次套用，永不遺漏。
載入 Ryan 一次，之後你要求的每份董事會資料包、全員會議備忘錄和決策簡報，都會以先講重點且適合提交董事會的形式返回 - 不必每次重新解釋你的公司或標準。
查看 Ryan - 幕僚長 →為什麼這對你的錢包很重要
如果你採用 API 計價（在 Claude 或 GPT 之上建構某個產品，或使用按用量計費的工具），計算方式很直接：輸入 token 需要付費。每次呼叫都傳送一段 300 token 的重複說明，每月進行數千次，會成為一筆實際支出 - 絕不是四捨五入誤差。建立 AI 驅動產品的團隊經常發現，在模型開始做任何有用的事情之前，重新建立背景資訊就已經吃掉了 15-30% 的 token 支出。Skill 檔案 - 或其作為 system prompt、快取背景資訊或專案指示的等效形式 - 能把這項反覆發生的成本轉化為一次性成本。
如果你是 Claude、ChatGPT 或 Gemini 消費者方案的常規聊天應用程式使用者，你不會直接按 token 計費，但你會受到使用量限制，而這些限制在底層本身就是以 token 為基礎。每則以三段「讓我解釋一下你是誰」開頭的訊息，都會計入你的限制，卻什麼也沒帶給你。減少重複解釋，你就能在相同的每日額度下完成更多真正的工作。
為什麼這對品質也很重要 - 不只是成本
這是人們容易忽略的部分：重新解釋的背景資訊不只是昂貴，還是更糟糕的背景資訊。當你在忙碌的一天中途憑記憶重新輸入自己的角色和標準時，就會遺漏一些內容。你忘了提醒它，董事會更新需要把消耗率放在最上方。你忘了客戶偏好條列式而非散文。你忘了上次效果很好的格式。輸出變差，不是因為模型變笨了，而是因為你的指示變得更粗略 - 而且是前後不一致地粗略，導致有些工作階段很出色，另一些則明顯更差。
一份寫得好的 Skill 檔案不會有這個問題。它是你完整的指示版本 - 在你有時間仔細思考時一次寫好 - 而不是你在星期四下午 4 點能記得的倉促版本。這才是由 Skill 驅動的輸出往往讀起來更資深、更一致的真正原因：不是 AI 變聰明了，而是它每次都根據完整的簡報工作，而不是根據只記得一半的版本。
品質方面還有第二個影響。隨著上下文視窗被來回交流、修正和澄清逐漸填滿，長時間聊天的品質會每況愈下 - 這種現象有時稱為「上下文腐化」。如果每則訊息有很大一部分都花在重新建立基本角色和格式上，那就是原本可用於實際工作的上下文視窗空間，也會加速對話開始失去脈絡的時點。Skill 檔案能有效地預先完成設定，而不是在數十輪對話中零碎地重複設定。
Diane 會用你的語氣撰寫電子郵件、準備會議簡報，並為你的收件匣分流，讓你不必在每個新聊天中重新說明語氣和優先事項。
查看 Diane - 行政助理 →什麼才算是「Skill 檔案」
Skill 檔案並不是什麼神秘的東西 - 它只是一份你貼上一次的 markdown 文件，可以作為 system prompt、ChatGPT Project 指示、Claude Project 的自訂指示，或 Custom GPT 的設定。它會說明角色（「你是一位支援執行長 9 年的資深幕僚長」）、標準（「先給標題，不說廢話，務必包含燒錢率和現金跑道」）以及格式（「使用 markdown，頂端放 TL;DR」）。一旦載入持久性上下文 - Project、Custom GPT，或你自有工具中的 system prompt - 每個新對話都會自動繼承這些內容。你再也不必重新輸入。
簡而言之，確切放置位置（system prompt、Project 指示，還是 Custom GPT）沒有核心習慣重要：有時間把上下文完整寫好時，一次寫完 - 然後停止在時間壓力下憑記憶反覆說明。
總而言之：
從頭重新說明角色、語氣和格式，每則訊息要花費 200-400 個 token，長期累積下來會變成實際支出或浪費使用限額；而且由於匆忙提供的上下文並不完整，輸出也會不一致。像 Ryan（幕僚長） 或 Diane（行政助理） 這樣的 Skill 檔案只需支付一次這項成本，之後每則訊息都能提供一致且具資深水準的輸出。
輸入你（或你的團隊）實際使用 AI 聊天的方式，即可取得重新撰寫 prompt 與持續使用 Skill 檔案之間，實際每月 Token 浪費量與金額的估算。不必註冊，也不必提供電子郵件 - 只套用這篇文章中的數學計算到你的數據。
試用計算器 →常見問題
重複說明上下文實際上會花掉多少 Token？
典型的角色與格式前言每則訊息約佔 200-400 個 Token。若每週在數十個聊天中傳送，累積一個月就會浪費數萬個 Token - 這些 Token 花在設定上，而不是實際工作上。
Skill 檔案只對 API 成本有幫助嗎？還是一般聊天使用者也能受益？
兩者都有。以 API 定價來說，較少的重複 Token 會直接降低帳單金額。至於消費者聊天方案（Claude、ChatGPT、Gemini），其使用限制在底層是以 Token 計算，因此減少重複說明的成本，就能讓更多每日額度用於真正的輸出，而不是設定。
Skill 檔案只是一個更長的 prompt 嗎？
不是 - 差異在於持續存在，而不是長度。Skill 檔案只需撰寫一次，並載入 System Prompt、Project Instructions 或 Custom GPT，因此每次新對話都會自動存在。一般 prompt 則必須每次憑記憶重新輸入，這正是品質與完整性容易下降的地方。
使用 Skill 檔案真的能改善輸出品質，還是只能省錢？
兩者都有。之所以能省錢，是因為你不必為重複的 Token 付費。品質也會提升，因為 Skill 檔案是完整且經過仔細撰寫的指示版本，而不是你在時間壓力下能記得輸入的內容 - 這也是為什麼由 Skill 驅動的輸出往往更一致，語氣也更成熟。
本系列接下來的內容
這是本系列短文的導讀文章，探討為什麼可重複使用的上下文勝過重新撰寫 prompt。接下來將推出：「重新撰寫 prompt 的隱性成本」、「System Prompt vs. Project Instructions vs. Custom GPT：你的 Skill 實際上應該放在哪裡？」、「為什麼長對話會變得更笨（以及如何在不重新開始的情況下修復）」、「Prompt 與 Skill 的真正差異（不只是語意上的差別）」、「使用 Claude/ChatGPT 工作實際要花多少錢？現實版 Token 數學解析」，以及「可重複使用的上下文就是新一代的 Prompt Engineering」。
