先說結論：用中文問 AI，多數時候不會比較慳
自從把 ChatGPT、Claude 和 Gemini 納入日常 workflow，我間中會想：如果我用中文問問題，會不會比用英文慳啲 tokens、慳啲錢？畢竟中文幾個字就能表達一整個意思，看起來應該更省。但查過各個模型的 tokenizer、實際把同一句話中英文對照之後，發現答案比想像中複雜——簡單來說，用中文不會自動減少 token 使用和費用，多數時候反而更貴。
為什麼中文通常更耗 token？
AI 模型不是按我們理解的「字」來計算，而是按 token。token 是模型處理文字的最小單位，可能是一個英文單詞、一個中文字，甚至是一個中文字的一部分。主流 tokenizer 背後用的是 BPE（Byte Pair Encoding）這類技術，對英文這種有空格分隔、語料龐大的語言壓縮得很好；但中文沒有空格、字符集又大，拆分效率通常較低。
舉個網上流傳的對比例子作參考：
| 中文 | 英文 | 大概 token 數（參考值） |
|---|---|---|
| 人工智能 | Artificial Intelligence | 3–4 tokens / 2 tokens |
| 我喜歡編程 | I love programming | 5–6 tokens / 4 tokens |
| 你好世界 | Hello world | 4–8 tokens / 2 tokens |
【待查證：實際 token 數會因模型與 tokenizer 版本而異，建議用各模型官方 tokenizer 工具親自測試。】
同樣的意思，中文句子消耗的 token 數量通常是英文的 1.5 到 3 倍不等。由於 API 計費是按 input tokens 加 output tokens 計算，所以中文的輸入和輸出成本都可能更高，也會更快接近模型的上下文上限。
新模型有改善，但仍有差異
好消息是，這幾年已經有明顯改善。OpenAI 的 GPT-4o 用上新的 o200k_base tokenizer，對中文的壓縮率比舊模型好很多；Claude 和 Gemini 的新一代分詞器也讓常見漢字更接近 1 個 token。部分國產或針對中文優化的模型（如 Kimi、文心一言）處理中文的 token 效率也相對較高。
但整體而言，若目標是極致慳錢，英文在多數主流模型上仍然是較穩妥的選擇。特別是當內容涉及程式碼、API、學術術語或技術討論時，用英文不只 token 效率更高，答案質量往往也更可靠。
什麼情況下中文可能更省？
如果中文能讓你把指令寫得極短、極清楚，總 token 數也可能更低。例如：
- 「翻譯成英文，保留語氣。」
- 「總結三點。」
- 「用 5 點以內回答。」
這類短句有時比一段長長的英文解釋更省。但前提是模型本身對中文壓縮得好，而且你的表達真的夠精煉。
真正省錢的關鍵，不是語言而是寫法
與其糾結要用中文還是英文，不如把精力放在精簡 prompt 和限制輸出。這幾點對任何語言都適用：
- 直接講任務：刪掉不必要的背景故事，除非真的需要。
- 限制輸出長度：例如「用 5 點以內回答」、「每點 20 字內」。
- 避免重複貼全文：只貼相關段落，或先讓模型問你需要哪些資訊。
- 選合適的模型：簡單任務用較便宜的模型，不要動不動就呼叫最強型號。
- API 用戶可考慮英文 system prompt：如果是按量計費的開發者，把系統提示和內部處理邏輯用英文寫，確實能省下一截。
今日小行動：親眼看一次 token 數
如果你只是想用網頁版 ChatGPT Plus 這類月費訂閱，token 計費不會直接影響你，頂多影響可用字數或對話輪次。但如果你是按 API 用量計費的人，想對成本有感覺，最簡單的實驗是：把同一句話的中英文版本，分別貼進 OpenAI Tokenizer 或各模型提供的 tokenizer 工具，比較兩者的 token 數。
下次問 AI 之前，可以先刪掉一半背景，再加一句「請用三點、每點二十字內回答」。你會發現，真正慳錢的往往不是換語言，而是換一種更乾淨的表達方式。