用途：针对一个具体 AI 功能，找出能降低其运行开销的设计改动，按杠杆从大到小排序，并说明每项改动在质量或体验上的代价，产出团队本迭代可执行的决策清单，而非泛泛原则或“少用 AI”的建议。
主要能力：按效果排序的杠杆清单，包括：1）按任务而非按产品选择模型规模，分类、抽取、路由、审核通常不需要前沿模型，可用廉价分类器决定哪些请求走大模型；2）触发点，按显式提交或防抖触发，而非每次按键、滚动或页面加载；3）重试与重新生成率，平均重生成两次意味着三倍开销，通常属设计问题；4）输出长度默认值，默认给用户通常需要的长度；5）缓存与去重，语义缓存可捕获近似重复请求；6）功能默认值，默认关闭并保持可发现性；7）运行位置与调度，区域电网碳强度差异约十倍，适用于批处理而非交互。
使用方式：每项提案需按“改动·预计降幅·质量或体验代价·置信度·工作量”格式陈述，例如“将分类路由到小模型：约 60% 调用减少约 90%，边缘情况准确率预计损失 1–3%，需评测确认，中等置信度，两周”。
最佳实践：先修触发点再优化提示词；切换模型规模前先建评测；把重生成率当作有负责人的产品指标；不要在每次按键触发时优化单次调用成本；目标不是少用 AI，而是不把前沿模型用在同等效果的小模型即可胜任的工作上。
限制：资料未提供具体实现代码、安装命令、平台支持、收费或价格信息。