大家好，我是 Qoder 团队的夏振华，主要负责 Qoder Agent 相关工作。今天我将从技术角度解释 Qoder 中 Credits 的消耗机制，并分享节省 Credits 的最佳实践。
一、主流 AI 模型的定价策略
首先，很多用户对海外模型的定价体系不太了解，所以对 Credits 的消耗"没概念"------比如一个任务为什么会消耗这么多 Credits？
这里以某厂商的两个模型系列为例：
- O 系列（模型最新）：输入 <math xmlns="http://www.w3.org/1998/Math/MathML"> 5 / M T o k ，输出 5/MTok，输出 </math>5/MTok，输出25/MTok，缓存读取价格 $0.50/MTok。
- S 系列（模型次新）：输入 <math xmlns="http://www.w3.org/1998/Math/MathML"> 3 / M T o k ，输出 3/MTok，输出 </math>3/MTok，输出15/MTok，缓存读取价格 $0.30/MTok。
两个系列的整体定价策略基本类似，但最关键的一点：如果能命中缓存，成本只要 1/10！
所以，Qoder 做了很多技术策略去优化缓存命中率。而大家在使用时，如果也能用一些能命中缓存的方式，也会非常节省成本。
二、Qoder Agent 的交互成本构成
接下来，让我们来看下 Coding Agent 的交互流程与 Token 消耗的情况：
- System+Tools
如果做过 Agent 的开发的同学可能会了解到，我们会给模型一个身份："你是一个编程专家，擅长 XXX，遇到 XXX 情况要用 XXX 工具"。还会给模型很多工具，例如代码读取、代码编辑、终端执行、Web 检索......如果用了 MCP，也会加进去。
这部分一般是可以命中缓存的，在前面的模型下约 $0.3/MTok。
-
User
你其实在提问的时候，经常会类似我这里写到的一些用法，比如："帮我生成一个 to-do APP。"
你还可能引入文件、图片（比如设计稿截图）、Agents.md、Rules、目录等辅助让 Agent 的生成的更好。这部分是输入，一般会命中到前面讲的那个模型的成本里面的 catch。
-
Action
然后模型会输出一个一个的 Action，相当于让模型帮我去构建一个 to do APP，那么这个模型可能会说："我要读 一个文件" 、"我要编辑 一个文件"或 "我要创建一个新文件"。这个其实就是模型的输出，模型的输出是比较贵的，约 $15/MTok。
-
Observation
最后 Qoder 的 Agent 就会通过工具会调用的方式去拿到这个 Action 对应的一个 Observation 的结果。这个结果通过 Catch Write 的方式去请求模型，成本约 $3.75/MTok。
重点来了：你问一个问题，Agent 不是一次就完事的！它会循环调用模型：Action → Observation → Action → Observation......直到任务完成或需要你确认。
所以，一次用户请求 = N 次模型调用 = N 次收费！
三、Qoder 真实场景成本测算
一次对话的成本计算公式：总成本 = 模型调用次数 × (缓存部分 + 普通输入 + 输出部分)。
一次对话的成本，其实它是由那个模型调用的次数作为这个基数的，就是你调十次那就收十次的钱。如果你问一个你好，Qoder 回一个你好，那可能就只收一次的钱。每一次的话，其实有它的缓存部分，也有没有命中缓存的部分，再加上模型的输出部分，最后加在一起的总成本。
场景 1：上下文长度对成本的影响
- 从 100K 上下文开始对话，假设一次任务调用 10 次模型，90%缓存命中率：
- O 系列模型：≈ $1.00/次对话
- S 系列模型：≈ $0.59/次对话
- 同样的任务，从20K上下文开始对话：
- O 系列模型：≈ $0.22/次对话
- S 系列模型：≈ $0.13/次对话
可以看出，从20K上下文开始对话与从100K上下文开始对话相比，可以节省约 78%成本。所以，如果你的新任务和历史对话无关，请务必新开一个窗口！
目前Qoder 支持查看用户的Credits 消耗账单，在真实场景下，我们的单次对话调用大约 <math xmlns="http://www.w3.org/1998/Math/MathML"> 0.1 0.1~ </math>0.1 1，这是正常的 Credits 消耗范围。
场景 2：上下文压缩对成本的影响
当上下文快达到模型上限（比如 200K）时，必须做压缩。Claude Code 上下文在 160~180K 时的一次压缩成本大约 $0.48。Qoder 做了深度优化，通过智能缓存命中，一次压缩成本节省 84%！
上下文逐论累积，到达阈值压缩，每次模型交互都会有相关的压缩成本。以文件大小影响压缩成本为例：
- 小文件任务：成本 ≈ $0.20，结束时上下文 ≈ 40K
- 大文件任务：成本 ≈ $0.65，结束时上下文 ≈ 140K
结束时上下文大小也会直接影响后续追问成本。
四、节省 Credits 的最佳实践
1. 无关话题，新开窗口
避免上下文积累，保持会话简洁，减少 Token 消耗。
2. 明确告知期望行为
告诉 AI：特定项目不要写测试、不要运行、不要写过程说明和解释文档。
3. 发现跑偏，立即终止
发现 Agent 偏离目标时，立即停止，避免无谓 Token 消耗。
4. 慎用对话式回滚
如果某一次的对话产生了一些代码变更，不是我预期内的，建议使用 Qoder 的 Revert 功能或 Reject 变更，不推荐通过聊天让 AI 回滚代码。
5. 按需选择模型等级
Qoder提供多级模型选择，您可根据任务复杂度和具体场景需求灵活选择适合的模型：
- Lite：适合简单任务，例如：简单问答、语法检查。
- Efficient：经济高效，适合日常编码、小功能开发。
- Auto、Performance：适合复杂功能、全栈开发。
- Ultimate：使用海外最好、最顶尖的模型，适合企业级项目、高精度任务成本最高。
6. 优化代码仓库结构
尽量让我们的代码仓库的结构和 AI 更友好：
- 控制仓库代码文件的长度，避免过长的代码文件。建议单文件不超过200行，避免2000+行的巨无霸文件，以提升代码可维护性和AI处理效率。
- 使用强类型语言，减少 AI 幻觉
- 写代码时添加函数注释，提升 AI 检索精度
- 配置
.qoderignore，排除无需分析的目录（如node_modules、构建产物、隐私文件），减少无效 Token。
7. 按需启用 MCP 工具
MCP 的工具你可以按需启用，别因为某个 MCP 工具"挺火"就一直开着，它会一直占着你的上下文成本！不用的 MCP，赶紧禁用。避免加载"工具数量庞大"的低效 MCP。
8. 连续对话利用缓存
模型缓存有效期基本上在 5~10 分钟，如果你提完问题，半小时后再追问，就无法命中缓存，成本就会更高。
妙招：用 Qoder 的消息队列！任务还在跑时，直接在输入框里写下一条指令，回车。它会自动排队，无缝衔接，大幅度命中缓存，降低 Credits！
总结
节省Credits的本质，是提升人机协作的效率，绝非一味地减少使用，而是通过清晰的指令 、对上下文的主动管理 和恰到好处的人机分工，来极致提升人机协作的效率。掌握这些技巧，您将能最大化Credits的价值，让Qoder真正成为提升您开发效率和创造力的强大助力！