在自然语言处理中，token可以简单理解为一句话或一段文字被切分成的小“单元”。这些单元通常是词、子词、甚至单个字符。具体切分方式视情况而定，例如句子中的标点符号、空格、单词等都可能成为一个token。
打个比方：假设我们有一句话，“我喜欢编程”，用token化处理后可能会变成三个token： “我”、 “喜欢”、 “编程” 。
Token的切分是语言模型理解和处理文本的基础，因为模型会将每个token转化成数字向量，进而在向量空间中进行计算。模型对这些token的组合和顺序进行分析，从而“理解”句子的大意。这也是为什么token在模型处理文本时起着重要作用。
在coze的使用中，有用户疑问，为什么简单的一次对话，消耗了我这么多的tokens
于是，带着这个疑问，我们点开了调试界面
为什么调试界面还消耗了更多的 tokens 呢
首先理解：输入与输出都是会消耗tokens的。
智能体的核心能力就是大模型，有很多中间环节的处理使用了大模型的能力，产生了消耗。
其中比较典型的场景就是使用知识库：
知识库会按照设置把相关的召回内容喂给 大模型做参考来回复，这会让输入 tokens 明显增加。
示例中开启了自动调用知识库，所以每一个问题都会召回固定数量的知识库内容，但大模型判断这些内容与问题无关，最终没有采用。
除此以外：调用插件、工作流中使用llm模型节点、智能体的回复总结，都会产生tokens消耗
具体每个节点消耗的tokens数量可以在调试界面中查看
但，真正产生费用的消耗，只有您在 方舟平台 开通并且使用的模型，对应图中的
Doubao-pro-32k/functioncall-preview
调用 LLM_suggest 产生的 tokens 消耗，是不计费的
这也是调试界面与对话界面 tokens 消耗不一致的原因，调试界面是累加了所有模型节点的 tokens 消耗
而您只需要关注开通模型的消耗即可，也就是对话中的tokens消耗