AI应用落地的真正瓶颈不是模型能力，而是Token成本。这个判断正在成为开发者的共识。
一个GitHub项目获得近两万星标，提供的解决方案直击要害：将网页内容剥离臃肿的HTML标记，转换为命令行友好的纯文本格式。这一操作能让Token消耗降低约80%。这不是在训练更强大的模型，而是在内容输入层做减法。
原理很简单：网页为人类阅读而生，充满了嵌套标签、内联样式、导航栏和追踪脚本。一篇50KB的文章页面可能只有10KB是实际内容，其余40KB都是“噪音”。直接喂给大模型，付费购买的Token有一大半花在了排版代码上。
开发者社区开始意识到，内容优化和模型选型同等重要。该项目使用成熟的内容提取算法——解析HTML结构、识别主体内容、输出语义化的纯文本。新闻文章变成终端可读的摘要，API文档只保留代码示例和参数列表，Token消耗的下降立竿见影。
项目增长曲线说明了问题。四个月内突破万星，完全靠开发者自发传播。没有公司背书，没有官方推广——只有一个解决真实痛点的工具。在技术社区的讨论中，开发者报告用它预处理RAG检索管道、降低高频API调用成本、优化本地推理效率。
算一笔账：以GPT-4o-mini的0.01美元/千Token计算，每天处理10万网页的产品月均Token支出1000美元。通过内容预处理削减80%，月支出降至200美元，项目经济账一夜之间翻转。
这改变了AI工具链的架构思路。过去的本能是模型输出不佳就换一个更强的。但当你的提示词上下文60%都是标记噪音时，换什么模型都解决不了。输入层的优化会让下游每个决策都受益。
下一代开发者工作流会将内容预处理管道纳入标配基础设施。Token预算有限，HTML不免费。能活下来的项目，是那些学会先算Token再做功能的人。