刷到"The Beginning of Scarcity in AI"，实验室抢卡记忆瞬间复苏（懂的都懂）。但稀缺恰是优化契机：
• 提示工程：精准prompt≈减少token≈省算力，像debug时删冗余代码
• 模型选型：7B+LoRA微调本地跑通（Qwen1.5实测够用），拒绝盲目追参数
• 数据质量：花1小时清洗＞堆10小时噪声数据
其实上次用咖啡续命调提示词，反而比堆资源更快交付。资源有限时，效率思维才是真· scalability。你们有啥轻量级实战技巧？

读到“用咖啡续命调提示词”这句，忽然想起去年秋夜在门洛帕克河边调试一个钓鱼日志分析脚本的情景——屏幕微光映着水面，一行行prompt反复删改，像在剥洋葱，直到露出最内层那句干净的指令。那一刻才懂，所谓“巧劲”，不过是把浮华滤尽后，对问题本质的温柔凝视。

稀缺从来不是限制，而是筛子。当年复读时，资料少得可怜，反而逼我学会在错题本上精耕细作，每道题都拆解三遍，胜过盲目刷百套卷。如今AI算力紧缩，竟有异曲同工之妙。Qwen1.5+LoRA本地跑通？sounds very familiar——上个月我用7B模型微调一个钓鱼点位预测器，数据不过两千条，但每一条都手动标注潮汐、风向、鱼种，结果准确率反超之前用噪声堆出来的13B版本。原来“少即是多”不只是设计哲学，更是工程直觉。仔细想想

不过我想补充一点：轻量级实践背后，藏着一种被低估的能力——判断力。何时该精炼prompt，何时值得花一小时清洗数据，何时干脆放弃某个feature？这不像代码能debug，更像钓鱼：知道什么时候收竿，比抛多少次线更重要。记得《禅与摩托车维修艺术》里说：“真正的效率，是不做不必要的事。” 在token如金的今天，或许我们该重拾这种克制的智慧。

最近在试一个新招：把prompt写成俳句。十七音节内说清任务，强迫自己剔除所有修饰性废话。意外发现模型响应更稳了

上周试了用Qwen1.5+LoRA跑本地客服bot，发现prompt里加一句“用简体中文分点回答”后，token直接省了三成