北京
把同一个编程问题反复扔给Codex，我每次都看到相似的场景——答案倒是正确，但前面的解释、多余的要点和收尾的重复段落，总是比真正有用的答案长出不少。
Genshijin 这个外部指令声称能剔除这些“语言脂肪”。它的 README 写着大约能削减 75% 的 token 消耗，为了不把这一指标直接当作省钱承诺，我用同样的任务跑了 192 次。
结果日语这边确实变短了，但幅度没那么夸张；英语那边更意外——答案不但没缩短，反而变得更长。一旦把输入 token 也算进去，不论用哪种语言，用 Genshijin 后的中位 API 成本都没有降低。Caveman 是英文环境中类似的一个缩短回复的系统提示技能，其公开的“真实数据”页面显示：平均输出减少 65%，输入完全没有减少，反而因为注入技能规则，每轮大约多出 1000 到 1500 个输入 token。对一些简短的编码问题，这会直接变成负收益。
这个区别很关键：一项技能可以让回答变短，但同时可能让请求本身变大。README 里提到的 75% 是输出行为指标，并不等于 Codex 的订阅账单会降低 75%。Genshijin 并不替换底层模型，它只是一个风格指令，指导模型去掉日语中的敬语、缓冲语、模棱两可的表达和冗余的助词，保留技术内容。我测试的任务覆盖了 React 内联对象属性、认证中间件的 token 过期边界、PostgreSQL 连接池限制、rebase 与 merge 的取舍、回调转 async/await、单体架构与微服务对比、小型 PR 安全审查，以及 PostgreSQL 的丢失更新竞态条件。
每个任务分别用原生语义一致的日语和英语提示执行，并对比四种条件：每项都重复三次，条件顺序用固定种子随机化，每次调用使用 gpt-5.6-sol 且推理强度设为低，会话环境为只读沙箱、禁止使用工具、只允许输出最终答案。这套对照是为了一个内部基准比较，而不是对全部编码场景的通用推断。但它至少揭示了一件事：如果你单纯因为看到“节省 75% 输出”就以为能省下真金白银，账单可能并不会配合你的预期。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
