claude-cost-optimization

Claude 成本优化

概述

对于生产环境中的 Claude 部署，成本优化至关重要。一个设计低效的 Agent 每月可能耗费数百甚至数千美元，而经过优化的实现，在功能相同的情况下可降低 10%–90% 的成本。本技能提供了一套完整的工作流，用于衡量、分析和优化令牌成本。

为何重要：

• 令牌成本是 Claude 开销中占比最大的部分
• 微小改进经过数百万次 API 调用后会累积成显著收益
• 仅优化上下文，就能让长对话的成本降低 60%–90%
• 针对特定任务选择模型和 effort，可将成本降低 5–10 倍

可实现的关键节省：

• Effort 参数：减少 20%–70% 的令牌用量（同一模型，推理深度不同）
• 上下文编辑：长对话的令牌用量减少 60%–90%
• 工具优化：采用高级工具模式可减少 37%–85%
• 提示词缓存：重复内容的成本降低 90%
• 模型选择：不同模型之间的成本相差 2–5 倍

何时使用本技能

在以下情况下使用 claude-cost-optimization：

• 跟踪令牌成本：准确了解 Claude 实现的成本
• 识别高成本模式：找出哪些操作消耗的令牌最多
• 衡量投资回报率：计算 Claude 集成带来的业务价值
• 优化生产环境：在部署高成本 Agent 前降低开销
• 分析成本驱动因素：按模型、功能、端点或时间段拆分成本
• 规划预算：根据增长预测预估未来成本
• 实施优化：应用经过验证的技术（缓存、批处理、上下文编辑）
• 设置提醒：监控成本，并在出现异常或超出预算时收到通知

5 步优化工作流

第 1 步：衡量基准用量

在优化前，先确定当前的成本基准。

衡量内容：

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

衡量方法（使用 Admin API）：

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}")

从这里开始：参阅 references/usage-tracking.md，了解详细的 Admin API 集成说明

第 2 步：分析成本驱动因素

了解成本的实际来源。

识别高成本模式：

1. 哪些操作使用的令牌最多？
2. 哪些模型成本最高？
3. 是否有效使用了缓存？
4. 上下文窗口是否在不必要地增长？
5. 是否发起了重复的 API 调用？

创建成本明细（示例）：

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

需要计算的关键指标：

• 每笔交易的成本
• 每笔交易的令牌数
• 每项业务成果的成本
• 成本趋势（周环比）

第 3 步：应用优化

针对成本最高的驱动因素应用定向优化。

Effort 参数（使用 Opus 4.5 时）：

• 复杂推理：高 effort（默认）
• 平衡型任务：中等 effort（节省 20%–40%）
• 简单分类：低 effort（节省 50%–70%）

上下文编辑（适用于长对话）：

• 自动清除工具结果（节省 60%–90%）
• 客户端压缩（避免自动摘要）
• 集成记忆工具（支持无限长对话）

工具优化（适用于大型工具集）：

• 使用工具搜索和延迟加载（支持 10K+ 工具）
• 以编程方式调用（数据处理的令牌用量减少 37%）
• 提供工具示例（将准确率从 72% 提高到 90%）

提示词缓存（适用于重复内容）：

• 缓存系统提示词（缓存部分的成本降低 90%）
• 缓存重复的文件/文档
• 缓存工具定义

模型选择：

• Opus 4.5：输入 $5/M，输出 $25/M（复杂任务）
• Sonnet 4.5：（定价请参阅参考资料）
• Haiku 4.5：（定价请参阅参考资料）

第 4 步：跟踪改进情况

优化后监控成本下降和效率提升情况。

跟踪指标：

• 每笔交易的成本（优化前与优化后）
• 令牌总量减少百分比
• 质量影响（结果是更好还是更差？）
• 实施难度和耗时

衡量周期：每项优化跟踪 1–2 周，以观察其影响

影响示例：

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

第 5 步：报告 ROI

计算优化带来的业务价值。

ROI 计算：

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 示例：

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

快速入门 - 使用情况跟踪

5 分钟内开始使用 Admin API 跟踪成本：

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()

快速入门 - ROI 计算

计算 Claude 实施方案的业务价值：

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}%")

定价概览

当前 Claude 模型定价（截至 2025 年 11 月）：

模型	输入	输出	适用场景
Opus 4.5	$5/M	$25/M	复杂推理、Agent、编码
Sonnet 4.5	$3/M	$15/M	性能与成本均衡
Haiku 4.5	$0.80/M	$4/M	简单任务、高调用量

优化技术对成本的影响：

技术	节省幅度	实施难度
Effort 参数（medium）	20-40%	简单（添加 2 行）
Effort 参数（low）	50-70%	简单（添加 2 行）
上下文编辑	60-90%	中等（需要设置）
工具优化	37-85%	中等（架构调整）
提示词缓存	90%	困难（基础设施）
模型选择	50-75%	困难（架构调整）

成本对比示例（每月 100 万笔交易）：

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)

优化决策树

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

常见优化场景

场景 1：将 Agent 成本降低 50%

优化前：

• Opus 4.5，使用 high effort
• 推理循环冗长
• 始终加载全部 20 多个工具
• 每月成本：$2,000

优化措施（按影响大小排序）：

1. Effort 参数：切换到 medium effort → 节省 30%（$600）
2. 工具优化：使用工具搜索 + 延迟加载 → 节省 20%（$400）
3. 上下文编辑：清除旧的工具结果 → 节省 10%（$200）
4. 总计：成本降低 60%，降至每月 $800

所需时间：实施需 20-30 小时

场景 2：将分类成本降低 80%

优化前：

• Opus 4.5，使用 high effort（分类任务用它大材小用）
• 简单的“是/否”决策
• 每月成本：$1,000

优化措施：

1. 模型选择：切换到 Haiku 4.5 → 节省 80%（$800）
2. Effort 参数：使用 low effort → 在 Haiku 上额外节省 20%
3. 提示词缓存：缓存分类规则 → 缓存部分节省 90%
4. 总计：成本降低 85%，降至每月 $150

所需时间：实施需 5-10 小时

相关技能

如需深入了解特定优化领域，请参阅：

• claude-opus-4-5-guide：Effort 参数的权衡及 Opus 4.5 的能力
• claude-context-management：上下文编辑策略（长对话可节省 60-90%）
• claude-advanced-tool-use：工具优化模式（效率提升 37-85%）
• anthropic-expert：Admin API 参考和提示词缓存基础知识

如需完整的优化策略、成本预测模型和 ROI 衡量框架，请参阅 references/ 目录。