新智元报道
Anthropic 近日发布官方博客，直指开发者在使用 Claude Code 时普遍存在的“烧钱”误区。官方强调，不合理的提示工程会导致 Token 消耗成倍增加。为此，官方梳理了六条核心省钱策略：
- 任务完结即清空（/clear）：避免旧任务的文件读取和命令输出占用后续上下文。
- 开局锁定模型与推理强度：中途切换会导致提示缓存失效，历史对话需按全价重新计算。
- 使用@引用文件：避免手动输入路径导致模型进行多次试探性搜索，减少无效 Token 消耗。
- 配置静默参数（quiet flag）：在 CLAUDE.md 中限制测试输出的详细程度，仅保留摘要。
- 趁热压缩（/compact）：在缓存有效期内压缩对话，成本仅为缓存过期后的十分之一。
- 大输出任务交由子 Agent：利用独立上下文窗口运行，仅回传结论，隔离过程数据。
一个 Token 的前世今生
Claude Code 采用按量计费与订阅制混合模式。数据显示，开发者日均 Token 消耗约 13 美元，月均支出在 150 至 250 美元之间。然而，因提问方式不同，同等任务的_cost_可能相差数倍。
费用高昂的根源在于 Token 的计价逻辑。每次指令交互包含两个阶段：
- 预填充（Prefill）：模型并行处理所有输入 Token（含系统提示、历史对话等）。
- 解码（Decode）：模型串行生成输出 Token。每生成一个 Token 均需独立运算，耗时且昂贵。
正因如此，输出 Token 的价格通常是输入 Token 的5 倍。最终账单由“模型单价”与“推理强度”共同决定：
- 模型定价差异：以 Opus 5 为例，输入 5 美元/百万 Token，输出高达 25 美元；而 Haiku 4.5 仅需 1 美元和 5 美元。
- 推理强度影响：高强度推理会大幅增加思考类输出 Token 的数量，导致成本激增。
合理策略应是常规任务使用 Sonnet，仅在处理高难度问题时启用 Opus，避免资源浪费。
提示缓存，是最大的省钱利器
在 Token 定价体系中，缓存机制是降低成本的关键变量。若当前请求的前缀（系统提示、工具定义、历史对话）与上一次完全一致，服务器将直接加载计算结果，无需重复预填充。
缓存读取成本仅为正常价格的0.1 倍，可节省 90% 的费用。尽管写入缓存成本略高（最高 2 倍），但仅需一次写入，后续多轮对话均可享受低价读取。
然而，缓存匹配极其严格，必须从第一个字节开始连续匹配。以下六种情况会导致缓存失效，使成本瞬间回归原价：
- 切换模型（/model）：不同模型缓存独立，切换后历史对话需重新全价预填充。
- 调整推理强度（/effort）：强度参数是缓存键的一部分，变更即失效。
- 开关 Fast mode：模式变更直接导致缓存作废。
- 压缩对话（/compact）：内容重写导致原有缓存无法匹配。
- 时间过期：订阅用户缓存保活 1 小时，API 用户默认 5 分钟，超时需重算。
- 恢复旧会话：长时间间隔后缓存通常已失效。
特别需要注意的是，Opus Plan 模式在进出计划时会自动切换模型，频繁跳转将导致缓存反复失效，产生巨额全价预填充费用。
你的会话，正在偷偷变胖
即便利用了缓存，对话历史本身的膨胀仍是隐形成本。随着文件读取和命令执行的累积，上下文长度呈O(n²)级增长。第 40 轮对话实际上在重复发送前 39 轮的所有累积内容。
虽然 Claude Code 对超过 3 万字符的命令输出有截断机制，但大量中等长度的输出（如数百行测试日志）仍会完整保留并重复计费。对此，官方建议采取以下“瘦身”措施：
- 精准引用文件：使用@直接附加文件，避免模型因模糊路径进行多次搜索尝试。
- 抑制冗余输出：在配置文件中为嘈杂命令添加 quiet 参数，将数百行详情压缩为几行摘要。
- 隔离大任务：利用 Subagent 在独立窗口处理大规模文件分析或日志排查，仅回传最终结论。
- 及时清理上下文：任务完成后立即使用/clear，或使用/compact 将长对话压缩为摘要（可将 1-2 万 Token 压缩至 1-3 千）。
此外，还可利用/rewind命令撤销跑偏的最后几轮对话，在不破坏前端缓存的前提下移除无效内容。
管 Token，也是一种开发者素养
上述技巧揭示了一个新趋势：AI 时代的开发者需掌握一套全新的技能树——包括模型选型、上下文管理及缓存维护。这些能力直接决定了同一任务的成本是 3 美元还是 30 美元。
Anthropic 自身便是最佳范例：其 80% 的代码由 AI 生成，代码合并量年增长 8 倍，基准测试加速 52 倍。若无精细的 Token 管理，高昂的推理成本将迅速吞噬预算。
本质上，这不仅是省钱技巧，更是 AI 原生开发者的核心本能：清晰认知每一步操作的资源消耗，并以最优策略让预算发挥最大效能。
参考资料：
https://claude.com/blog/maximizing-the-value-of-your-claude-code-sessions
编辑：摩西