Claude学院

Claude API 怎么省钱？5 个降低 Token 成本的方法

降低 Claude API 的 Token 成本，核心就三件事：用提示词缓存复用重复的输入前缀（缓存读取价格约为基础输入价的十分之一）、按任务难度选对模型（简单任务别用 Opus）、用参数严格控制输入和输出的长度。把这三点做扎实，账单通常能降到原来的几分之一。下面是 5 个能直接落地的方法。

方法一：开启提示词缓存（Prompt Caching），复用重复前缀

如果你的每次请求都带着一大段固定的 system 提示词、工具定义或少样本示例，那这部分内容每次都被重新计费就是最大的浪费。提示词缓存让你把稳定的前缀缓存起来：缓存命中时，这部分按约 0.1 倍的输入价计费；写入缓存时按约 1.25 倍（5 分钟 TTL）。也就是说，第二次请求开始就能回本。

关键原理：缓存是前缀匹配，前缀里任何一个字节变了，后面全部失效。所以把固定内容放前面、把每次都变的内容（时间戳、用户问题、随机 ID）放最后。渲染顺序是 tools → system → messages。

from anthropic import Anthropic

client = Anthropic()  # 自动读取环境变量 ANTHROPIC_API_KEY

resp = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    system=[
        {
            "type": "text",
            "text": "（这里放你那段几千 token 的固定系统提示词）",
            "cache_control": {"type": "ephemeral"},  # 缓存断点
        }
    ],
    messages=[{"role": "user", "content": "用户的具体问题放这里，每次都变"}],
)
print(resp.usage.cache_read_input_tokens)  # 命中缓存的 token 数

验证方法：看返回的 usage.cache_read_input_tokens。如果重复请求时它一直是 0，说明前缀里藏着「静默失效因子」——最常见的就是把 datetime.now() 写进了 system 提示词。缓存断点每次请求最多 4 个，最短可缓存前缀因模型而异（Opus 系列约 4096 token，Sonnet 4.6 约 2048 token），太短不会缓存。具体配额请以 Anthropic 官网为准。

方法二：按任务分级选模型，别用大炮打蚊子

当前主力模型有三档：Claude Opus 4.8（最强、最贵）、Claude Sonnet 4.6（速度与智能的平衡）、Claude Haiku 4.5（最快最便宜）。它们的输入/输出单价差距很大，把简单任务交给 Haiku、把复杂推理留给 Opus，是最直接的省钱手段。

任务类型推荐模型理由
分类、抽取、改写、简单问答claude-haiku-4-5足够用，单价最低
大多数生产场景、Agent、工具调用claude-sonnet-4-6性价比最优
复杂代码、深度推理、长链路任务claude-opus-4-8智能上限最高

实操建议：在系统里做「分级路由」，先用一次 Haiku 判断难度，难的再升级到 Sonnet 或 Opus。选型细节可以参考 Claude 模型怎么选？Opus / Sonnet / Haiku 选型指南 和 Claude 写代码用哪个模型最划算？实测对比。各模型确切价格请以 Anthropic 官网为准，也可以看 Claude API 价格详解：各模型计费方式与省钱对比。

方法三：用 max_tokens 和 effort 控制输出长度

输出 token 通常比输入贵好几倍（例如输出价是输入价的 5 倍左右），所以控制输出是省钱的高杠杆点。两个参数要会用：

  • max_tokens：输出的硬上限。分类这种短输出设到 256 就够；不要无脑设很大，但也别设太小导致截断后还要重试。
  • effort：放在 output_config 里，控制思考深度与整体 token 消耗，取值 low / medium / high / xhigh / max。成本敏感、不需要深度推理的任务用 low 或 medium，能省下大量思考 token。
resp = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=256,                       # 短输出，硬上限压低
    thinking={"type": "disabled"},        # 简单任务关掉思考
    output_config={"effort": "low"},      # 进一步降低 token 消耗
    messages=[{"role": "user", "content": "把这句话分类为正面/负面：……"}],
)
print(resp.content[0].text)

对需要思考的任务，建议用自适应思考 thinking={"type": "adaptive"} 配合较低的 effort，让模型自己决定花多少 token 推理，而不是一律拉满。提示词写得越精炼、约束越明确，输出也越省——这部分可以看 Claude 提示词怎么写？2026 最新新手到进阶完整教程。

方法四：用 count_tokens 精确估算，别拍脑袋

很多人用 OpenAI 的 tiktoken 来估 Claude 的 token，这是错的——它对 Claude 文本通常少算 15%~20%，代码和中文更离谱。Anthropic 提供了官方的 count_tokens 接口，且 token 数是按模型计的，要传你将实际调用的模型 ID。

resp = client.messages.count_tokens(
    model="claude-opus-4-8",
    messages=[{"role": "user", "content": open("input.txt", encoding="utf-8").read()}],
)
print(resp.input_tokens)  # 准确的输入 token 数

在批量任务或长文档处理前先估算，能帮你提前发现「这次请求会不会太贵」「要不要先分块」。token 计算的更多细节可参考 Claude API Token 怎么计算？附在线估算方法。

方法五：批量处理 + 多轮对话裁剪上下文

两类常被忽略的浪费场景：

  1. 非实时任务用批量接口（Batches API）：对延迟不敏感的离线任务（比如一次性给一万条数据打标签），用 POST /v1/messages/batches 批量提交，比逐条调用更省。
  2. 多轮对话裁剪历史：多轮对话每次都会把完整历史重新计费，对话越长越贵。结合提示词缓存（在最后一轮的最后一个内容块打缓存断点）+ 上下文裁剪（清理掉不再需要的旧工具结果），能显著压低长会话成本。

下面是 Node.js 用官方 @anthropic-ai/sdk 调用并打印缓存命中情况的例子：

import Anthropic from "@anthropic-ai/sdk";

const client = new Anthropic(); // 读取 process.env.ANTHROPIC_API_KEY

const msg = await client.messages.create({
  model: "claude-sonnet-4-6",
  max_tokens: 1024,
  system: [
    {
      type: "text",
      text: "（固定的长系统提示词）",
      cache_control: { type: "ephemeral" },
    },
  ],
  messages: [{ role: "user", content: "本轮的新问题" }],
});

console.log("缓存命中:", msg.usage.cache_read_input_tokens);
console.log("回答:", msg.content[0].text);

多轮对话的上下文管理细节，可以看 Claude API 多轮对话怎么实现？上下文管理详解。如果你刚上手 API，建议先跑通 Claude API Python 示例代码：10 分钟跑通第一个程序，再回来做成本优化。

常见问题

提示词缓存会额外收费吗？开了一定省钱吗？

缓存写入要付约 1.25 倍（5 分钟 TTL）或 2 倍（1 小时 TTL）的输入价，缓存读取只要约 0.1 倍。所以它不是「免费加速」：如果你的前缀每次都变、或者短到不会被缓存，开了反而只付写入费、零读取，得不偿失。只有当同一段较长前缀会被多次复用时才划算。确切的缓存价格倍率请以 Anthropic 官网为准。

把 max_tokens 设得很小能强行省钱吗？

不能滥用。max_tokens 是硬上限，设太小会让输出被截断（返回 stop_reason: "max_tokens"），你还得加大重试，反而多花钱多花时间。正确做法是按任务真实需要的输出长度来设，并配合 effort 和精炼的提示词从源头减少输出。

effort 和思考（thinking）有什么关系，怎么配合最省？

在 Opus 4.8、Sonnet 4.6 等模型上，思考用 thinking={"type": "adaptive"}（自适应），由模型决定何时、思考多少；effort 则控制整体的思考深度和 token 预算。最省的组合通常是：简单任务直接 thinking={"type": "disabled"} + effort: "low"；需要推理但要控成本的任务用自适应思考 + medium；只有对正确性要求极高时才上 high 或 max。

← 进阶与最佳实践