claude-cost-optimization

Claude のコスト最適化

概要

Claude を本番環境に導入する際、コストの最適化は非常に重要です。非効率な設計のエージェントは月に数百ドル、あるいは数千ドルかかることがありますが、最適化された実装なら同じ機能を 10～90％低いコストで実現できます。このスキルでは、トークンコストを測定、分析、最適化するための包括的なワークフローを紹介します。

重要な理由：

• トークンコストは、Claude にかかる費用のなかで最も大きな割合を占めます
• 小さな改善でも、数百万回の API 呼び出しを通じて大きな効果につながります
• コンテキストを最適化するだけで、長い会話のコストを 60～90％削減できます
• タスクに合わせてモデルと effort を選択すると、特定のタスクのコストを 5～10 分の 1 に削減できます

期待できる主な削減効果：

• Effort パラメーター：トークンを 20～70％削減（同じモデルで推論の深さを変更）
• コンテキスト編集：長い会話で 60～90％削減
• ツールの最適化：高度なツールパターンにより 37～85％削減
• プロンプトキャッシュ：繰り返し使用する内容で 90％削減
• モデルの選択：モデル間でコストに 2～5 倍の差

このスキルを使用するタイミング

次のような場合は、claude-cost-optimization を使用してください。

• トークンコストを把握する：Claude の実装にかかる費用を正確に把握する
• 高コストなパターンを特定する：どの処理が最も多くのトークンを消費するかを調べる
• ROI を測定する：Claude の統合によるビジネス価値を算出する
• 本番環境に向けて最適化する：高コストなエージェントをデプロイする前にコストを削減する
• コスト要因を分析する：モデル、機能、エンドポイント、期間ごとにコストを分類する
• 予算を計画する：成長予測に基づいて今後のコストを予測する
• 最適化を実装する：実績のある手法（キャッシュ、バッチ処理、コンテキスト編集）を適用する
• アラートを設定する：コストを監視し、異常や予算超過の通知を受け取る

5 ステップの最適化ワークフロー

ステップ 1：ベースラインの使用状況を測定する

最適化を始める前に、現在のコストのベースラインを確立します。

測定対象：

- Total monthly tokens (input + output)
- Cost breakdown by model
- Top 10 most expensive operations
- Average tokens per request
- Peak usage times and patterns

測定方法（Admin API を使用）：

from anthropic import Anthropic

client = Anthropic()

# Get monthly usage
response = client.beta.admin.usage_metrics.list(
    limit=30,
    sort_by="date",
)

total_input_tokens = sum(m.input_tokens for m in response.data)
total_output_tokens = sum(m.output_tokens for m in response.data)
total_cost = (total_input_tokens * 0.000005) + (total_output_tokens * 0.000025)
print(f"Monthly cost: ${total_cost:.2f}")

開始方法：Admin API の詳細な統合方法については、references/usage-tracking.md を参照してください

ステップ 2：コスト要因を分析する

コストが実際にどこから発生しているのかを把握します。

高コストなパターンを特定する：

1. どの処理が最も多くのトークンを使用していますか？
2. どのモデルのコストが最も高いですか？
3. キャッシュを効果的に使用していますか？
4. コンテキストウィンドウが不必要に大きくなっていませんか？
5. 重複した API 呼び出しを行っていませんか？

コストの内訳を作成する（例）：

Agent reasoning loops: 45% of costs
File analysis: 25% of costs
Web search: 15% of costs
Classification tasks: 10% of costs
Other: 5% of costs

算出すべき主な指標：

• トランザクションあたりのコスト
• トランザクションあたりのトークン数
• ビジネス上の成果あたりのコスト
• コストの推移（前週比）

ステップ 3：最適化を適用する

コスト要因のなかでも特に大きなものを対象に、最適化を適用します。

Effort パラメーター（Opus 4.5 を使用している場合）：

• 複雑な推論：high effort（デフォルト）
• バランスの取れたタスク：medium effort（20～40％削減）
• 単純な分類：low effort（50～70％削減）

コンテキスト編集（長い会話向け）：

• ツールの結果を自動的に消去する（60～90％削減）
• クライアント側の圧縮（自動要約を削減）
• メモリーツールとの統合（無限の会話を実現）

ツールの最適化（ツールの数が多い場合）：

• 遅延読み込みを伴うツール検索（10K 以上のツールに対応）
• プログラムによる呼び出し（データ処理でトークンを 37％削減）
• ツールの使用例（精度を 72％から 90％に向上）

プロンプトキャッシュ（繰り返し使用する内容向け）：

• システムプロンプトをキャッシュする（キャッシュされた部分のコストを 90％削減）
• 繰り返し使用するファイルやドキュメントをキャッシュする
• ツール定義をキャッシュする

モデルの選択：

• Opus 4.5：入力 $5/M、出力 $25/M（複雑なタスク向け）
• Sonnet 4.5：（料金については references を参照）
• Haiku 4.5：（料金については references を参照）

ステップ 4：改善を追跡する

最適化後のコスト削減と効率の向上を監視します。

追跡する指標：

• トランザクションあたりのコスト（最適化前と最適化後）
• トークンの総削減率
• 品質への影響（結果が改善したか、悪化したか）
• 実装の難易度と所要時間

測定期間：効果を確認するため、最適化ごとに 1～2 週間追跡します

効果の例：

Optimization: Client-side compaction on long research tasks
Before: 450K tokens/request, $11.25 cost
After:  180K tokens/request, $4.50 cost
Savings: 60% cost reduction

ステップ 5：ROI を報告する

最適化によるビジネス価値を計算します。

ROI の計算：

Monthly Savings = (Daily Cost × 30) - (Optimized Cost × 30)
Implementation Hours = Time to implement optimizations
Cost per Hour = $100-300 (your eng cost)
Payback Period = (Implementation Hours × Cost per Hour) / Monthly Savings

ROI の例：

Monthly savings: $500/month
Implementation: 8 hours
Cost per hour: $150
Implementation cost: $1,200
Payback period: 2.4 months
First year ROI: 400%

クイックスタート - 使用状況の追跡

5 分で Admin API によるコスト追跡を始めましょう：

import anthropic
from datetime import datetime, timedelta

client = anthropic.Anthropic()

def get_monthly_costs():
    """Get current month's token costs"""

    # Get usage for last 30 days
    now = datetime.now()
    thirty_days_ago = now - timedelta(days=30)

    response = client.beta.admin.usage_metrics.list(
        limit=30,
        sort_by="date",
    )

    total_input = sum(m.input_tokens for m in response.data)
    total_output = sum(m.output_tokens for m in response.data)

    # Opus 4.5 pricing: $5/M input, $25/M output
    input_cost = total_input * 0.000005
    output_cost = total_output * 0.000025
    total_cost = input_cost + output_cost

    print(f"Last 30 days:")
    print(f"  Input tokens: {total_input:,}")
    print(f"  Output tokens: {total_output:,}")
    print(f"  Input cost: ${input_cost:.2f}")
    print(f"  Output cost: ${output_cost:.2f}")
    print(f"  Total cost: ${total_cost:.2f}")

    return {
        "input_tokens": total_input,
        "output_tokens": total_output,
        "input_cost": input_cost,
        "output_cost": output_cost,
        "total_cost": total_cost
    }

# Run the function
costs = get_monthly_costs()

クイックスタート - ROI の計算

Claude の導入によるビジネス価値を計算します：

def calculate_roi(
    monthly_cost: float,
    monthly_transactions: int,
    cost_before_claude: float = None,
    quality_improvement: float = 1.0
) -> dict:
    """Calculate ROI metrics for Claude implementation"""

    cost_per_transaction = monthly_cost / monthly_transactions

    metrics = {
        "monthly_cost": monthly_cost,
        "monthly_transactions": monthly_transactions,
        "cost_per_transaction": cost_per_transaction,
    }

    # If you had costs before Claude (manual process, previous tool, etc)
    if cost_before_claude:
        savings = cost_before_claude - monthly_cost
        roi_percentage = (savings / cost_before_claude) * 100
        metrics["previous_cost"] = cost_before_claude
        metrics["monthly_savings"] = savings
        metrics["roi_percentage"] = roi_percentage

    # Account for quality improvements
    effective_cost = monthly_cost / quality_improvement
    metrics["quality_adjusted_cost"] = effective_cost

    return metrics

# Example: Research agent replacing manual research
result = calculate_roi(
    monthly_cost=500,          # Claude costs
    monthly_transactions=1000,  # Requests processed
    cost_before_claude=3000,   # Manual research was $3k/month
    quality_improvement=1.5    # Claude results are 50% better
)

print(f"Cost per transaction: ${result['cost_per_transaction']:.4f}")
print(f"Monthly savings: ${result['monthly_savings']:.2f}")
print(f"ROI: {result['roi_percentage']:.0f}%")

料金の概要

現在の Claude モデルの料金（2025 年 11 月時点）：

モデル	入力	出力	最適な用途
Opus 4.5	$5/M	$25/M	複雑な推論、エージェント、コーディング
Sonnet 4.5	$3/M	$15/M	性能とコストのバランス
Haiku 4.5	$0.80/M	$4/M	単純なタスク、大量処理

最適化手法によるコストへの影響：

手法	削減率	導入の難易度
努力度パラメーター（中）	20-40%	簡単（2 行追加）
努力度パラメーター（低）	50-70%	簡単（2 行追加）
コンテキスト編集	60-90%	中程度（セットアップが必要）
ツールの最適化	37-85%	中程度（アーキテクチャの変更）
プロンプトキャッシュ	90%	難しい（インフラストラクチャ）
モデルの選択	50-75%	難しい（アーキテクチャの変更）

コスト比較の例（月間 100 万件のトランザクション）：

Scenario: Classification task

Opus 4.5, high effort:
- Input: 50M tokens @ $5/M = $250
- Output: 10M tokens @ $25/M = $250
- Total: $500/month

Opus 4.5, low effort:
- Input: 50M tokens @ $5/M = $250
- Output: 5M tokens @ $25/M = $125
- Total: $375/month (25% savings)

Haiku 4.5, high effort:
- Input: 50M tokens @ $0.80/M = $40
- Output: 10M tokens @ $4/M = $40
- Total: $80/month (84% savings)

最適化の判断ツリー

START: Have high costs?
  ↓
  Q1: Do you know what's causing the costs?
    NO → Go to Step 2: Analyze Cost Drivers
    YES → Q2: Have you tried effort parameter (Opus 4.5)?
            NO → Apply effort parameter (medium/low)
                 Expect 20-70% savings, 2-4 hours implementation
            YES → Q3: Do you have long conversations (>50K tokens)?
                    NO → Q4: Do you have 10+ tools in your agents?
                            NO → Q5: Can you cache repeated content?
                                    YES → Implement prompt caching
                                          Expect 90% savings on cached
                                    NO → Consider model selection
                                         Expect 2-5x cost reduction
                            YES → Implement tool search + deferred loading
                                  Expect 85% context savings
                    YES → Implement context editing
                          Expect 60-90% savings on long tasks

よくある最適化シナリオ

シナリオ 1：エージェントのコストを 50% 削減する

最適化前：

• 高い努力度で Opus 4.5 を使用
• 長い推論ループ
• 20 個以上のツールを常に読み込み
• 月額コスト：$2,000

最適化（効果の大きい順）：

1. 努力度パラメーター：努力度を中に変更 → 30% 削減（$600）
2. ツールの最適化：ツール検索と遅延読み込みを使用 → 20% 削減（$400）
3. コンテキスト編集：古いツールの結果を消去 → 10% 削減（$200）
4. 合計：コストを 60% 削減し、月額 $800 に

所要時間：導入に 20～30 時間

シナリオ 2：分類コストを 80% 削減する

最適化前：

• 高い努力度で Opus 4.5 を使用（分類には過剰）
• 単純なはい／いいえの判断
• 月額コスト：$1,000

最適化：

1. モデルの選択：Haiku 4.5 に切り替え → 80% 削減（$800）
2. 努力度パラメーター：努力度を低に設定 → Haiku でさらに 20% 削減
3. プロンプトキャッシュ：分類ルールをキャッシュ → キャッシュ分を 90% 削減
4. 合計：コストを 85% 削減し、月額 $150 に

所要時間：導入に 5～10 時間

関連スキル

特定の最適化領域について詳しくは、以下を参照してください：

• claude-opus-4-5-guide：努力度パラメーターのトレードオフと Opus 4.5 の機能
• claude-context-management：コンテキスト編集の戦略（長い会話で 60～90% 削減）
• claude-advanced-tool-use：ツール最適化のパターン（効率を 37～85% 向上）
• anthropic-expert：Admin API のリファレンスとプロンプトキャッシュの基本

最適化戦略の全容、コスト予測モデル、ROI 測定フレームワークについては、references/ ディレクトリを参照してください。