一般来说没必要去省那一点 token,如果是图文、带图表的还是 pdf 最简单省事。
费力去转 Markdown + 图片,看起来省 Token,但是导致信息损耗,本来多模态模型可以一页一页“看”内容,换成markdown+图片,图片、图标部分由于分离出去了反而不利于模型理解上下文导致信息损耗。
再说 Token 消耗,现在 Agent 消耗 Token 的大头,不是输入的 token,而是各种 skills、反复调用工具。
而且有 Prompt Caching,输入的 Token 多一点少一点对于最终成本已经差别没那么大了。