用 PNG 提示词，Claude Code 费用能省 70%？
把文本转成图片来降低 AI 费用？这可行，因为视觉输入和文本输入的定价机制不同。本文将介绍这种技巧的工作原理、适用场景，以及可能带来的意外风险。
最近有位开发者发布了一款名为 pxpipe 的工具，思路很特别：不直接向 Claude Code 发送大段文本，而是把文本转成 PNG 图片再提交给模型。模型依然能识别图片中的内容，但请求的计费方式可能和纯文本不同。
项目作者称，在他们的测试中，这种方法让 API 费用降低了 59% 到 70%。在处理超长系统提示、冗长日志和大量文档时，节省效果最明显。
乍一听，这方法似乎简单得不太真实。但当你了解多模态模型的定价方式后，就会觉得很有意思。
为什么图片比文本更省钱？
大语言模型（LLM）对不同输入的收费方式并不相同。
文本按 token 计费。提示词越长，token 越多，费用越高。大型系统提示或数千行的文档，很快就成了请求中最烧钱的部分。
图片则走另一套定价方案。模型不会把每个字符当成文本 token 来处理，而是用视觉系统分析图片。一张包含同样信息的截图，所需的视觉 token 可能远少于等效的文本输入。
信息本身没变，变的是表现形式——而某些情况下，这种形式计费更划算。
这是一个很有意思的案例：优化绕开了提示词本身，而是针对定价模型做文章。
节省从何而来
对于需要反复发送大量参考材料的工作负载，成本差异会非常显著。
具体包括：
- 冗长的系统提示
- 应用日志
- 文档资料
- 大型配置文件
- 很少变化的背景上下文
如果模型只需要理解内容的总体含义，将其压缩成图片可能会降低成本，同时不会明显影响结果。
对于每天发出数千次请求的团队来说，即使是中等程度的节省，也能显著减少 API 开销。
权衡取舍
这种方法并非没有缺点。
当文本正常提交时，模型接收的是精确的字符序列。当相同的内容嵌入到图片中时，模型必须先通过视觉识别文字，然后才能进行推理。
这个额外的识别步骤引入了不确定性。
字符偶尔会被误读。相似的标识符可能混淆。长十六进制字符串或哈希值尤其容易出错。在普通文档中微不足道的识别错误，在技术工作流程中可能变得至关重要。
这意味着，该技术最适合文本的含义比精确字符更重要的情况。
不适用场景
在很多情况下，完美的准确性比低成本更重要。
具体包括：
- API 密钥
- 身份验证令牌
- 加密哈希值
- UUID（通用唯一标识符）
- 数据库标识符
- 配置值
- 每个字符都至关重要的源代码
哪怕一个字符出错，都可能导致难以调试的问题或意外的生产故障。
对于这类输入，发送纯文本仍然是更安全的选择。
一种特定优化，而非通用方案
pxpipe 的有趣之处，并不仅仅在于它能将文本转换成图片。
它更展示了：理解模型行为，可以带来实用的工程优化。