Anthropic 把 Claude Code 的 Token 账算明白了：一个长会话，可能多烧 1.9 倍
原文标题：Maximizing the value of your Claude Code sessions
原文链接：claude.com/blog/maximi...
最近用 Claude Code 写代码的人，大概率都碰到过这种情况：明明只是改一个小测试，Token 却像漏水一样往下掉。同样一处修复，有的会话五个请求就收工，有的会话先在仓库里来回搜索，又读了一堆无关文件，最后发出十八个请求。事情都做成了，消耗却完全不是一回事。
Anthropic 这篇文章把 Claude Code 的成本账讲得很透。真正影响消耗的，不只是"用了多少 Token"，还包括模型大小、输入与输出的价格差异、提示词缓存有没有命中、上下文里塞了多少东西，以及这些内容在后续多少轮里被反复带上。
说白了，省 Token 并不等于一味少用 Token，而是尽量让每一个 Token 都花在当前真正要解决的问题上。
核心结论：先记住这 6 个习惯
- 不同任务之间及时执行
/clear。 这样可以避免上一个任务留下的无关上下文，在后续每一轮里继续被重复发送。 - 开始前就选好模型和推理强度。 在长会话中途切换
/model或/effort，可能直接打断提示词缓存，导致整段上下文按全价重新预填充。 - 提到文件时直接用
@引用。 文件会随第一条消息直接附上，既省掉一次 Read 调用，也免得 Claude 再去仓库里搜索。 - 给输出很吵的命令加静默参数，必要时交给子智能体。 命令输出会像文件内容一样进入会话，并在后续轮次里一直跟着走。
- 新会话先运行一次
/context。 它能显示启动时已经加载的内容，例如CLAUDE.md和 MCP 工具定义，方便删掉不需要的部分。 - 准备离开电脑前先执行
/compact。 订阅环境下，提示词缓存大约一小时后过期；趁缓存还在时压缩会话，成本会低得多。
同一个任务，为什么有人花 5 次请求，有人要花 18 次
在传统开发工具里，编辑器通常按月订阅，甚至完全免费。一个下午修一个测试还是修五十个测试，工具本身不会给每项任务单独计价。
但 Claude Code 这类智能体编程工具不一样。每一次模型推理、文件读取、仓库搜索、命令执行和结果回传，都会进入 Token 账单。同一个任务最终都能完成，但使用方式不同，成本可能差出一大截。
一种做法是直接告诉 Claude：具体哪个测试失败、对应哪个文件。Claude 读完测试和目标文件，改代码、跑验证，几轮就结束。另一种做法只说"测试挂了"，Claude 只能先在仓库里 grep，接着打开一批文件，绕一圈才找到真正相关的那两个。更麻烦的是，前面搜到的内容不会自动消失，它们会在这个会话后面的每一轮里继续被带上。
图中左侧会话直接读取两个目标文件，共发出 5 次请求；右侧会话先搜索仓库、再陆续打开文件，共发出 18 次请求。两边完成的是同一项修复，但后者让模型额外背着大量无关上下文工作。
所以，所谓 Token 效率，并不是把总用量压到越低越好，而是减少无意义的搜索、读取和重复携带，让模型的计算真正落到任务本身。
接下来需要拆开看两件事：一个 Token 为什么有时贵、有时便宜；一次会话为什么会不断发送越来越多的 Token。
一个 Token 到底值多少钱
虽然账单按 Token 计算，但真正付费的其实是推理：GPU、TPU 或其他计算设备，需要花多少时间让模型处理这些 Token。
影响单个 Token 成本的主要有三件事：使用的是哪个模型、它是输入 Token 还是输出 Token，以及它有没有命中缓存。
模型越大，基础价格越高
更大的模型，在处理输入和生成输出时都要做更多计算。具体任务该选哪种模型、哪档推理强度，本身可以单独写一篇文章。这里最值得记住的一点是：后面讨论的所有成本，最终都要乘上模型本身的价格。
任务确实困难、含糊，或者需要更强推理时，大模型更值；只是机械修改、格式调整、跑固定流程这类常规工作，小模型往往更划算。
图里的曲线只用于解释思路，不代表真实 Benchmark 数据。简单任务上，两种模型最终效果可能逐渐收敛；困难任务上，大模型往往能达到更高上限，小模型则可能更早碰到能力天花板。
输入 Token 和输出 Token，不是一个价
一次请求在 GPU 上大致分成两个阶段，而且价格差得不小。
第一个阶段叫 预填充（Prefill） 。模型会读取本轮请求及全部上下文，包括系统提示词、CLAUDE.md、开发者刚发出的消息，以及从会话开始到现在累积下来的所有内容------Claude 读过的文件、执行过的命令、命令返回的输出，统统算在里面。这部分就是输入 Token。
第二个阶段叫 解码生成（Decode）。模型开始逐 Token 生成思考过程、工具调用和最终可见文本。生成是一个 Token 接一个 Token 往外吐的：一段 200 Token 的回复，相当于模型连续运行 200 次。解码阶段对 GPU 的占用明显更重，所以输出 Token 的单价通常大约是输入 Token 的 5 倍。
图中上半部分是预填充：工具定义、系统提示词、
CLAUDE.md、当前消息、Claude 读过的文件和命令输出，会按顺序整体送入模型。下半部分是解码：模型每生成一个 Token，就会再运行一次；因此 200 Token 的回复，本质上是 200 次连续生成。
一次会话里，很多输出 Token 实际上都来自模型的内部思考。每轮到底思考多少，主要由推理强度控制。和模型设置一样，通过 /effort 选择的档位也会被记住，下一次会话仍会沿用。
实用提示： 新会话里最好先分别运行一次
/model和/effort，确认当前到底启用了什么。两项设置都会记住上一次的选择，不主动查看，很容易在不知情的情况下继续使用高价配置。
实用提示： 如果某次会话确定只是机械活，可以用MAX_THINKING_TOKENS=0 claude为这一次会话关闭思考 Token。除 Fable 5 外，这相当于比/effort low更低一档。
提示词缓存，才是长会话里最关键的账
假设新请求的开头，和服务器刚刚处理过的某次请求完全一致，那么这段共同前缀经过模型计算后得到的状态也会一致。服务器可以把上一次的结果暂时留着，下次只对新增内容做预填充。这就是 提示词缓存（Prompt Caching）。
从缓存读取时，价格大约只有普通输入的 0.1×，因为服务器只需要加载已有状态，不必重新计算。把 Token 首次写入缓存会比普通输入稍贵，最高可到 2×，因为服务器还要保存对应状态。不过，每个 Token 只需要写一次，之后的每一轮都可以按 0.1× 读取，整体仍然非常划算。
Claude Code 会自动管理提示词缓存，不需要手动开启。真正需要注意的是：缓存虽然不用开，但很容易被中途打断。 一旦打断，整段长上下文可能重新按全价预填充，成本会突然跳起来。
一个小修复，实际是怎么产生 5 次请求的
假设开发者输入：修复 utils.test.ts 中失败的测试。从操作上看会经过下面 6 步，但真正向服务器发出的请求只有 5 次，因为最后一步没有新的工具调用。
-
Claude Code 把工具定义、系统提示词、
CLAUDE.md和开发者消息拼成第一次请求，作为输入 Token 发给模型。此时缓存还是空的，所以全部内容都会按正常价格预填充，并写入缓存。 -
模型还没看过测试文件，不可能直接修，于是先思考一下，返回一个读取
utils.test.ts的 Read 调用，这部分属于输出 Token。Claude Code 读完文件，把内容追加到会话末尾，再把整个会话发出去。此时第一次请求的内容都能从缓存按十分之一价格读取，只有新增的 Read 调用和文件内容需要按正常价格预填充。 -
模型接着需要查看被测试的源文件，于是再次发起 Read。第二个文件继续追加到会话末尾，前面的内容走缓存，新文件按正常输入价格计算。
-
模型返回 Edit 调用。Claude Code 应用修改，把编辑结果追加进会话，再次发送全部内容。新增的 Edit 及执行结果按正常价格计算，前面历史继续读缓存。
-
模型运行
npm test。测试输出被追加到会话末尾，下一次请求里只有这部分是新增输入，其余内容仍然来自缓存。 -
测试通过后，模型输出一段简短总结。因为没有新的工具调用，也就不需要再追加结果和发出第六次请求，会话到这里结束。
看起来只是修了一个小问题，背后却已经发出了 5 次完整请求，而且每次请求都带着当时为止的整段会话历史。典型的一轮往往很不对称：输入可能有几万 Token，输出只有几百 Token。不过只要缓存还在，历史部分就能按低价读取，真正按全价预填充的只是本轮新增加的内容。
因此，每轮的成本可以简单理解成三部分：历史上下文的缓存读取费、新增输入的正常预填充费，以及本轮回复的输出费。
订阅用户同样受这套机制影响。界面里虽然看不到每一项具体价格，但这些请求依然会消耗套餐额度。
哪些操作会让缓存失效
缓存必须从请求开头开始连续匹配。Claude Code 发请求时，顺序通常固定为：工具定义、系统提示词、会话内容，其中 CLAUDE.md 位于会话前部。
只要这个前缀中的某部分发生变化，后面的所有内容就可能被重新预填充。工具结果追加在会话末尾是最理想的情况，因为它后面没有旧内容，不会破坏前缀。真正容易把缓存打断的，主要是下面几类操作：
- 中途执行
/model。 每个模型都有各自的缓存。切换后，下一轮会把整段会话重新按全价预填充。opusplan也包括在内，因为每次进入或退出 Plan Mode 都会切换模型。 - 中途执行
/effort。 推理强度也是缓存键的一部分，改变档位同样会导致缓存不再匹配。这也是/model和/effort在长会话中途切换时会弹出确认的原因。 - 中途打开 Fast mode。 快速模式同样参与缓存匹配，而且重新预填充会按 Fast mode 的价格计算。确实要用，最好一开始就打开。再次关闭 Fast mode 本身不会打断缓存。
- 执行
/compact。 该命令会用更短的摘要替换原会话，因此原有会话内容不再匹配，只有前面的系统提示词还能保留。好消息是，只要旧会话仍在缓存里，生成压缩摘要本身并不贵，所以长时间离开前压缩，要比缓存过期后再压缩便宜得多。 - 等待太久。 每次请求都会重置缓存计时。订阅环境下缓存大约一小时过期；API Key 默认约五分钟，设置
ENABLE_PROMPT_CACHING_1H=1后可延长到一小时。超过这个时间再回来，下一轮往往要重新预填充整段会话。恢复很久以前的旧会话也基本如此，因为缓存通常已经失效，而且 Claude Code 启动时还会重新构建系统提示词。
这并不意味着模型和推理强度永远不能切换。只是切换也分便宜时机和昂贵时机：新会话刚开始，或者刚执行完 /clear，是便宜时机；一段很长的会话进行到一半，是最贵的时机。
实用提示： 如果只是最近几轮聊偏了，不必急着
/compact。可以用/rewind回退到跑偏之前。回退只是从会话末尾剪掉几轮，前面的缓存仍然有效，几乎没有额外代价；而/compact会重写整段会话，必然产生新的成本。
一次会话到底会反复发送多少 Token
这里最容易被忽略的一点是：进入会话的内容，几乎没有什么只发送一次。 Claude 读过的文件、执行命令产生的输出，都会在后面的每一轮里再次随请求发出，直到会话结束。
这些历史内容通常会命中缓存，所以每次重发并不算贵，但"便宜"不等于"免费"。更重要的是，它们还会占用上下文空间，让模型在每一轮推理时都得绕着这些内容工作。
一段会话的成本，归根结底取决于三件事：上下文里最终堆进了多少 Token，这些 Token 在多少轮中一直存在，以及同时运行了多少个独立上下文。
会话开始前，上下文就已经不为空
开发者还没输入任何内容时，上下文里通常已经有工具定义、系统提示词、CLAUDE.md，以及启动阶段加载的其他内容。
实用提示： 新会话里先运行
/context，可以看到输入第一句话之前到底已经加载了什么。CLAUDE.md最好只保留明确、长期有效的项目指令；某个工作流专用的说明，可以放进 Skill，需要时再加载。当前会话用不到的 MCP Server，也可以通过/mcp暂时关闭。
会话开始之后，新加入的内容几乎都来自工具结果：Claude 打开的文件，以及命令执行后打印出来的内容。
Claude 最终会读多少东西，很大程度取决于任务描述给得有多明确。只说一句"测试失败了"，Claude 首先得找出到底是哪项测试：可能先 grep 几次，再打开若干文件判断相关性。即使这些搜索结果很快就没用了，它们仍会继续留在上下文里。
把要求写成"修复 utils.test.ts 中失败的测试"，可以跳过搜索，但仍需要一次 Read 调用。进一步写成"修复 @utils.test.ts 中失败的测试"，连 Read 调用也省掉了。
图中第一种只说"测试失败了"，Claude 在真正开始修复前还要搜索和打开多个文件，共多出 6 轮；第二种直接给出文件路径，只需读取一次；第三种用
@附上文件，可以直接进入修复，不需要额外工具轮次。
提到文件时，最好直接使用 @，而不是只敲路径。Claude Code 会在请求发出前把文件附到消息里，因此文件从第一次请求起就已经在上下文中，不再需要额外 Read。无论哪种方式，文件本身占用的上下文空间都一样，所以一个会话里附一次就够了；后面再次 @ 同一个文件，通常会把第二份副本也附进去，反而增加上下文。
真正容易悄悄塞满上下文的，是命令输出
每次运行测试、构建命令或 git log，终端里打印的内容都会像文件一样被追加到会话中，并在后续轮次里继续存在。
特别大的输出反而没那么可怕。超过 30,000 个字符后，Claude Code 会把完整输出写入文件，只在会话里保留一小段预览和文件路径。这个阈值可以通过 BASH_MAX_OUTPUT_LENGTH 调整。
真正麻烦的是那些没超过阈值、但又足够啰嗦的输出。比如测试框架把 400 个通过的用例逐行打印出来，总字符数可能还不到 30,000，于是这 400 行会原封不动留在上下文里，并跟着后面的每一轮继续发送。
Claude 通常会主动加静默参数，或者用 tail 只保留末尾结果。要是不想把控制权完全交给模型，官方文档也提供了一个小 Hook，可以在命令执行前自动改写噪声很大的命令，只把真正有用的几行带回来。
实用提示： 可以把每天反复执行的两三个命令直接写进
CLAUDE.md，连静默参数也一起写清楚，格式就按平时真正会输入的样子。例如：使用 npx vitest run <file> --reporter=dot 运行单个测试文件。看起来只多了一行配置，却能让之后每次会话少一轮沟通，也少几百行无用输出。
一段上下文留得越久，后面每一轮越重
同样一批工作，全部塞进一个长会话，通常比拆成几个短会话更贵，而且差距往往比直觉里更大。原因很简单：第 40 轮不仅要处理新消息，还要重新带上前面 39 轮的历史。
会话里的上下文应该尽量短、尽量相关。一个任务结束后，不要把它的上下文继续拖进下一个任务。开始新任务时执行 /clear；仍是同一任务，但前半段已经完成且不再需要细节时，再用 /compact 做压缩。
图中完成的是同样三个任务。任务之间执行
/clear时，每个任务只携带当前需要的上下文；全部塞进一个会话时，历史不断累积，最终发送的 Token 约为前者的 1.9 倍。
实用提示： 如果以后还想找回当前会话，可以在/clear前先执行/rename。执行/compact时，最好明确告诉 Claude 哪些信息必须保留；如果压缩规则一直相同，也可以在CLAUDE.md里增加一个"Compact instructions"部分。使用 1M 上下文模型时，如果仍希望保留过去的自动压缩保护，可以运行/autocompact 200k，但需要 Claude Code v2.1.221 或更高版本。
还要留意那些"人没在输入，但会话仍在自动跑"的轮次。/loop 每触发一次，都会在创建它的会话里完整执行一轮，并带上当时整段上下文。如果距离上一轮已经超过一小时，还可能叠加一次缓存未命中。更省的做法是在另一个终端里新建一段干净会话，专门运行循环任务。
子智能体的价值，是把噪声隔离在另一个上下文里
还有一种办法可以避免主会话被塞满：把任务放到另一个上下文里执行，这正是子智能体存在的意义。
子智能体拥有自己的上下文窗口、系统提示词、工具和 CLAUDE.md，但不会继承主会话中的聊天历史。它会独立运行若干轮，最后只把答案返回主会话。中间读过的文件、跑过的命令和产生的大量输出，在任务结束后都会被丢弃，不会污染主会话。
代价也很明显。由于看不到主会话，子智能体有时需要重新读取主会话已经看过的内容，而且它自己执行的每一轮同样会产生成本。任务很小时，这种隔离反而只是额外开销。
真正适合交给子智能体的，是那些会产生大量过程输出、但主会话并不需要长期保留的任务，比如翻查一大段构建日志。Claude 遇到这类工作时往往会主动调用子智能体；没有主动调用时，也可以明确要求"在子智能体中分析这份日志"。需要注意的是，主会话最终只能看到子智能体选择汇报的内容，中间细节不会自动带回来。
图中主会话只保留启动内容、当前对话和三个子智能体的最终答案。三个子智能体分别分析构建日志、运行完整测试套件和搜索 Git 历史，各自读取和执行产生的过程内容，在任务完成后直接丢弃。
实用提示： 如果某类高噪声任务经常反复外包，可以单独为它定义一个子智能体，并指定model: haiku或model: sonnet。否则，子智能体默认会沿用主会话当前使用的模型，成本可能比预期更高。
最后先盯住这 4 件事
前面的机制看着不少，但真到日常使用里，优先关注下面四项就够了。它们大致按照可能造成的成本从高到低排列。
第一，长会话。 每一轮都会重新带上之前的全部内容，所以一段会话消耗的大头，往往不是刚输入的那句话，而是前面累积的历史。任务换了，及时 /clear；同一任务进入新阶段，再考虑 /compact。
第二，上下文太臃肿。 Claude 读了但其实不需要的文件、噪声很大的命令输出、早已完成的旧任务、当前根本用不到的 MCP Server，以及进入 Agent Loop 后额外产生的内容，都会在每一轮里被继续携带。上下文越干净，模型越省，也越不容易被无关信息带偏。
第三，模型过大或推理强度过高。 模型和 /effort 会放大后面所有成本，不管是当前任务本身，还是那些长期黏在会话里的无关内容。真正困难的问题再上大模型，机械任务没必要一直顶配运行。
第四，打断提示词缓存。 会话中途更换模型、切换推理强度或 Fast mode，或者等到缓存过期后再回来，都会让整段历史重新按全价预填充。能在开局决定的设置，尽量不要拖到长会话中途再改。
写在最后
Claude Code 的 Token 成本并不神秘，甚至可以压缩成一句话：上下文里放了多少东西，这些东西跟了多少轮，以及每一轮用了多贵的模型。
真正有效的优化，也不是时时盯着 Token 数字焦虑，而是养成几个简单习惯：任务之间清空会话，文件直接 @，命令尽量安静，长日志交给子智能体，模型和 /effort 开始前选好，离开前趁缓存还在及时压缩。
这些动作单看都很小，但放进每天几十轮、上百轮的真实开发流程里，差距就会被迅速放大。少让模型背着无关内容跑，省下来的不只是 Token，还有响应速度、上下文空间，以及模型真正理解当前任务的注意力。