最大化 Claude Code 会话的价值

摘要

在任务之间运行 /clear 。 这可以防止之前无关的上下文被再次发送给模型，从而减少 Token 使用量。
开始前设置好模型和思考力度。 在对话中途修改任意一项都可能破坏提示词缓存（prompt cache），进而增加 Token 成本。
使用 @ 提及文件，而不是仅写出文件名。 文件会直接附加到消息中，从而省去一次 Read 调用；如果 Claude 需要自行查找文件，还能省去搜索过程。
为输出嘈杂的命令添加静默标志，或在子代理中运行。 命令输出会像文件一样添加到对话中，并在整个会话期间持续存在。
在全新会话中运行一次 /context。它会显示当前已加载的内容（CLAUDE.md、MCP 工具定义），这样你就能移除不必要的内容。
准备离开键盘休息前运行 /compact。提示词缓存一小时后会过期，只要缓存仍有效，压缩对话就会便宜得多。

最大化价值

直到不久之前，你用于编写代码的工具通常都是固定收费（或免费）的。无论那天下午你修复了一个测试还是五十个测试，编辑器的成本都一样，因此单项任务本身并没有真正对应的价格。

但使用 Claude Code 这类智能代理式编程工具时，情况就不同了。同一个已完成的任务，根据你的使用方式不同，也可能产生不同的成本。

在一次会话中，Claude 读取测试及其覆盖的文件，完成编辑，几轮交互后就结束了。换一次情况，它可能先在代码仓库中到处 grep，途中读取十几个文件，最后仍然修改同样的两个文件；而且这期间的每一轮交互，都会把从今天早上开始已经读入对话的所有其他内容一并带上。

曲线仅用于示意，并不代表真实的基准测试数据。

修复内容相同，但你为此消耗的 Token 数量不同；在整个过程中，模型还不得不同时考虑十个并不需要的文件。

Token 使用高效，并不意味着总体上使用更少的 Token，而是要确保实际使用的 Token 都用于你真正要求完成的事情。

因此，先来看看一个 Token 的价格由什么决定，再看看一个会话发送多少 Token 由什么决定，并在此过程中了解这些因素会如何影响你运行会话的方式。

一个 Token 的价格由什么决定

你按 Token 计费，但实际上付费的是推理（inference）：GPU（或 TPU，或模型实际运行所在的其他硬件）处理你的 Token 并运行模型所需的时间。

三个因素决定一个 Token 需要占用多少处理时间：你运行的是哪个模型、它是输入 Token（传入）还是输出 Token（传出），以及它是否命中缓存。

模型

更大的模型会对输入和输出 Token 执行更多工作。哪种模型适合哪类工作本身就是一个独立话题，我们在 在 Claude Code 中选择 Claude 模型和思考力度 一文中对此进行了介绍。

对于本文，你只需要知道，下面将要介绍的其他因素都会乘以模型的价格：当问题确实困难或存在歧义时使用更大的模型，而处理常规工作时使用更小的模型。

曲线仅用于示意，并不代表真实的基准测试数据。

输入和输出 Token

请求会分两个阶段经过 GPU，而这两个阶段的成本不同。

首先，在预填充（prefill）阶段，模型会读取你的请求和上下文：系统提示词、你的 CLAUDE.md、你的消息，以及自此之后添加到对话中的所有内容（Claude 读取的文件和它运行的命令输出）。这些就是输入 Token。

然后，在解码（decode）阶段，它会写入输出 Token：它的思考过程、发起的工具调用，以及你看到的文本。这个过程一次生成一个 Token；一个 200 Token 的响应，就是连续运行模型 200 次。按单个 Token 计算，解码会让 GPU 忙碌得久得多，这也是输出 Token 价格约为输入 Token 5 倍的原因。

一个会话中的大量输出 Token 都是思考 Token，而模型每轮进行多少思考，取决于思考力度设置。和模型一样，你通过 /effort 选择的级别也会保留，并成为下一个会话的默认设置。

提示： 在全新会话中运行一次 /model 和 /effort，看看当前实际使用的设置。两者都会记住你上次的选择，因此应当有意识地做出决定。

提示： 如果你已经知道某个会话只会处理机械性工作，MAX_THINKING_TOKENS=0 claude 会在该会话中关闭思考（Fable 5 除外）；其级别低于 /effort low。

提示词缓存

如果一个请求从开头起恰好使用了与服务器刚刚处理的请求相同的 Token，那么这段共享开头所对应的状态也会相同。因此，服务器可以保留上次的状态，只对后续新增部分进行预填充。这就是提示词缓存（prompt caching）。

从缓存读取的成本是输入价格的 0.1 倍，因为服务器加载的是已有状态，而不是重新计算。将 Token 写入缓存的成本会略高于普通输入，最高可达 2 倍，因为服务器还必须在之后继续保留这些状态。但写入操作对每个 Token 只发生一次，而 0.1 倍价格的读取会在此后的每一轮中发生。

Claude Code 会在每个请求中管理提示词缓存，无需手动启用。不过，缓存可能被破坏，因此了解如何避免成本激增非常重要。

假设我们输入“修复 utils.test.ts 中失败的测试”。Claude Code 会为此发送以下内容：

Claude Code 使用系统提示词（包括工具定义）、你的 CLAUDE.md 和你的消息组装出第一个请求，然后将其发送出去（输入 Token）。此时缓存中还没有任何内容，因此所有内容都会被预填充并写入缓存。
模型没看过测试，无法修复它，因此思考片刻后返回一个针对 utils.test.ts 的 Read 调用（输出 Token）。Claude Code 读取文件，将其附加到对话中，然后再次发送整个内容（输入 Token）。这次，请求 1 中的所有内容都会从缓存中读取，价格仅为原来的十分之一；唯一需要按全价预填充的是新增内容：Read 调用和文件。
现在模型需要查看被测试的文件（输出 Token）。于是又执行一次 Read，再次附加内容，并重新发送全部内容：请求 1 和请求 2 的内容从缓存中读取，第二个文件按全价计费（输入 Token）。
模型返回一个 Edit（输出 Token）。Claude Code 应用编辑，附加结果，然后再次发送所有内容。情况相同：Edit 及其结果是新增内容，前面的所有内容都是缓存读取（输入 Token）。
模型运行 npm test （输出 Token）。Claude Code 附加测试输出并再次发送所有内容，此时只有测试输出是新增部分（输入 Token）。
测试通过，模型返回简短摘要（输出 Token）。由于没有工具调用，因此没有内容需要附加，也不会产生第 6 个请求，流程就结束了。

一个小修复就产生了五个请求，而且每个请求都包含截至当时的完整对话。典型的一轮交互往往是不对称的：输入是数万个 Token，输出只有几百个。但只有该轮新增的内容，才会按全价进行预填充。

这就是每轮的完整账单：历史内容按缓存读取计费，新内容按全额输入价格计费，响应则按输出价格计费。

订阅方案同样适用。你不会直接看到这些价格，但正是这些请求在消耗你的额度。

缓存必须从请求的最开始向后匹配，而请求始终按相同顺序发送：工具定义、系统提示词，然后是对话（其中 CLAUDE.md 位于对话开头）。

如果这个前缀中的任何内容发生变化，其后的所有内容都会再次进行预填充。将工具结果附加到对话末尾是最理想的情况，因为它后面没有其他内容。以下情况会丢弃缓存：请求中更靠前的内容发生变化，或缓存所依据的键发生变化：

/model：每个模型都有自己的缓存，因此下一轮会将整个对话重新按全价预填充。（这也包括 opusplan，因为每次进入或退出计划模式时，它都会切换模型。）
/effort： 思考力度也是缓存键的一部分，因此情况相同。这就是为什么 /model 和 /effort 在对话中途切换设置时，都会要求你确认。
快速模式（Fast mode）：它同样属于缓存键的一部分，重新预填充时会按快速模式价格计费。因此，如果你打算启用快速模式，请在会话开始时就启用。（再次关闭在缓存方面不产生额外成本。）
/compact：对话会被替换成更短的版本，因此其中的内容将不再匹配（位于其前面的系统提示词仍然保留）。只要旧对话仍在缓存中，写入摘要本身的成本就很低，所以在长时间休息前执行会比休息后执行便宜得多。
时间： 每轮交互都会重置计时器，但订阅方案的缓存一小时后过期，API Key 的缓存五分钟后过期（ENABLE_PROMPT_CACHING_1H=1 可将其延长为一小时）。如果超过这个时间再回来，下一轮就会重新预填充整个对话。恢复旧会话通常也会如此：那时缓存往往已经消失，而且系统提示词会在启动时重新构建。

这些并不意味着你永远不应该切换模型或思考力度，而是说，切换存在成本较低的时机——会话开始时，或刚运行 /clear 之后；也存在成本较高的时机——一段较长对话的中途。

提示： 如果最近几轮对话偏离了方向，而你不想保留它们，请使用 /rewind 回到这些内容之前，而不是运行 /compact。回退只会截去末尾的这些轮次，因此之前的内容仍在缓存中，不产生额外成本。压缩会重写整个对话，因此总会产生一定成本。

一个会话发送多少 Token 由什么决定

这里最需要知道的是：没有任何内容只会被发送一次。所有最终进入对话的内容——无论是 Claude 读取的文件，还是它运行的命令输出——在此后的每一轮中，都会被再次发送，直到会话结束。

这些内容已被缓存，因此每次重新发送的成本都很低；但低成本并不等于零成本，而且它们还会持续占据上下文空间，模型每一轮都必须在这些内容的影响下进行思考。

这就是会话成本模型的核心：有多少 Token 最终进入上下文、它们会在其中停留多少轮，以及你同时运行了多少个上下文。

哪些内容会进入上下文

有一部分上下文在你输入任何内容之前就已经存在：工具定义、系统提示词、CLAUDE.md，以及启动时加载的其他内容。

提示：在全新会话中运行 /context，查看你还没有输入任何内容时上下文中有什么。将 CLAUDE.md 限定为具体指令，并将特定工作流的指令移入 skills；只有使用这些技能时，它们才会被加载。如果本次会话不需要某个 MCP 服务器，请使用 /mcp 将其关闭。

会话期间新增的其他内容，几乎都来自工具结果：Claude 读取的文件，以及它运行的命令输出。

Claude 读取多少内容，主要取决于它需要自行查明多少信息。如果你只说“测试失败了”，它首先必须找出是哪些测试：执行一两次 grep，打开几个文件以判断哪个相关，而所有这些结果在不再有用很久之后，仍会留在上下文中。

“修复 utils.test.ts 中失败的测试”跳过了搜索，只需为该文件执行一次 Read 调用；而“修复 @utils.test.ts 中失败的测试”连这次 Read 调用也不需要。

提示： 提及文件时，请使用 @ 提及，而不是直接输入路径。Claude Code 会在发送任何内容之前，将文件附加到你的消息中，因此它会出现在第一个请求里，也就不需要 Read 调用。无论采用哪种方式，文件本身占用的上下文空间都相同，因此每次对话只需提及一次：文件会一直留在那里，在之后的轮次中再次使用 @ 提及通常会附加一份副本。

另一个会填满上下文的内容是 Claude 运行命令的输出。每当它运行测试、构建或 git log 时，命令打印出的内容都会像读取的文件一样被附加到对话中，并在同样多的轮次中持续存在。

非常大的输出其实没关系：超过 30,000 个字符后，Claude Code 会将输出写入文件，只在对话中放入简短预览和文件路径（如果想更改该限制，可以调整 BASH_MAX_OUTPUT_LENGTH）。

问题在于低于这个限制的所有内容。一个逐行打印 400 个通过测试的测试运行器，其输出会低于限制；于是这 400 行就会成为之后每一轮对话的一部分。

Claude 通常会通过标志和 tail 来帮你处理这个问题；如果你不想完全交给 Claude，也可以使用文档中的一个小型钩子，在命令运行前重写嘈杂的命令，使其只返回重要的行。

提示：将你全天反复运行的两三个命令写入 CLAUDE.md，包括静默标志，像你自己输入时那样描述（“使用 npx vitest run <file> --reporter=dot 运行单个测试文件”）。这是一个很小的补充，但它能在此后的每个会话中省去一轮交互和几百行输出。

内容会停留多少轮

同样的工作，分散在几个短会话中，成本会低于集中在一个长会话中，而且差距可能比你想象得更大，因为第 40 轮也会重新读取之前的 39 轮内容。你需要让会话中的上下文保持简短且相关，因此不要把一个任务的上下文带入下一个任务：开始新任务时运行 /clear ，同一任务的前半部分完成后运行 /compact。

提示：如果之后还想找回该会话，请先运行 /rename，再运行 /clear 。运行 /compact 时，告诉它需要保留什么；如果每次都相同，也可以在 CLAUDE.md 中添加“压缩指令（Compact instructions）”部分。如果你使用的是 1M 模型，并希望恢复以前的自动压缩安全网，可以运行 /autocompact 200k（需要 Claude Code v2.1.221 或更高版本）。

也要留意你没有输入内容时发生的轮次。一旦设置，/loop 会在所属会话中作为完整的一轮运行，每次都会携带整个对话；如果距离上一轮已经超过一小时，还会额外遇到一次缓存未命中。请在另一个终端中启动一个全新会话，然后从那里运行循环。

子代理

将某些内容排除在当前上下文之外的另一种方式，是让它在不同的上下文中执行，这正是子代理的用途。子代理拥有独立的上下文窗口、独立的系统提示词、工具和你的 CLAUDE.md，但不会拥有你的对话。它会自行运行多轮交互，完成后只有答案会返回主会话，其他所有内容都会被丢弃。

缺点是，由于没有你的对话，子代理有时必须重新读取主会话已经拥有的内容，而且在此过程中还要为自己的交互轮次付费。对于小任务而言，这只是额外开销。

当任务会产生大量你不需要保留的输出时，子代理就很有价值，例如遍历日志。Claude 通常会主动为这类工作使用子代理；如果它没有这样做，你也可以直接要求（“在子代理中检查这份日志”）。但请记住，主会话只能收到子代理选择汇报的内容。

提示：如果你反复交接同一种输出嘈杂的任务，可以为它单独定义一个使用 model: haiku（或 sonnet）的子代理。否则，它会使用主会话当前采用的模型运行。

优先查看哪些地方

在上述所有内容中，有四件事值得重点关注，按其大致成本从高到低排列：