如何通过10个技巧让Claude节省70%的Token消耗？

关注公众号：weelinking | 访问官网：weelinking.com 📅 发布日期：2026年2月9日 🏷️ 标签：Claude | Token优化 | 成本控制 | AI效率 ⏱️ 阅读时长：12分钟 📄 文章摘要 使用 Claude 时感觉成本太高？本文深度解析 Claude 的 Token 计费机制，提供 10 个经过实战验证的省 Token 技巧，涵盖模型选择、提示词优化、Skill 应用、对话管理、批量处理等核心场景。通过合理运用这些技巧，可以在保证输出质量的前提下，将 Token 消耗降低 50-70%，大幅降低使用成本。文章包含详细的 Token 消耗对比数据、实战案例和最佳实践，适合所有 Claude 用户阅读。 关键词： Claude Token 优化、Claude 成本控制、Claude 省钱技巧、AI Token 节省、提示词优化、Claude Skill、模型选择、对话管理 💡 国内体验 Claude4.6： weelinking - 稳定、稳定、稳定 📑 目录导航 💰 Claude Token 计费机制详解 🎯 技巧1：选择合适的模型 ✍️ 技巧2：优化提示词结构 🔧 技巧3：使用 Skill 固化常用指令 💬 技巧4：管理对话历史 📦 技巧5：批量处理而非多次询问 🛠️ 技巧6：善用 MCP 工具 📁 技巧7：优化项目文件管理 🔄 技巧8：利用 Prompt Caching ⚡ 技巧9：避免无效对话 📊 技巧10：使用 API 精细控制 📈 综合案例：实战效果对比 💡 总结与建议 💰 Claude Token 计费机制详解 Token 是什么？ Token 是 AI 模型处理文本的基本单位。简单理解： 1 个 Token ≈ 0.75 个英文单词 1 个 Token ≈ 0.5 个中文字符（中文更"贵"） 示例： "Hello World" = 2 tokens "你好世界" = 4 tokens "Claude is great!" = 3 tokens "Claude 真棒！" = 5 tokens Claude 的计费方式 Claude 按照 输入 Token + 输出 Token 双向计费： 模型 输入价格 输出价格 上下文窗口 Claude 3.5 Haiku $0.80/百万 $4.00/百万 200K Claude 3.5 Sonnet $3.00/百万 $15.00/百万 200K Claude Opus 4.6 $15.00/百万 $75.00/百万 200K 重要提示： 每次对话都会加载完整的对话历史（输入 Token 累积） 输出 Token 通常是输入的 1/5 ~ 1/3 对话越长，成本越高（指数级增长） 典型使用场景成本分析 场景1：代码审查（500行代码） 不优化的情况： - 输入：完整代码(1500 tokens) + 详细指令(300 tokens) + 历史对话(2000 tokens) = 3800 tokens - 输出：详细报告 = 800 tokens - 单次成本（Sonnet）：3800×$3/百万 + 800×$15/百万 = $0.0234 优化后： - 输入：精简代码(1500 tokens) + 简洁指令(50 tokens) + 清理历史(0 tokens) = 1550 tokens - 输出：结构化报告 = 600 tokens - 单次成本（Sonnet）：1550×$3/百万 + 600×$15/百万 = $0.0136 节省：42% 场景2：写作助手（持续对话） 不优化的情况： - 10轮对话累积：每轮加载全部历史 - 第10轮输入：当前提示(100 tokens) + 历史对话(9000 tokens) = 9100 tokens - 总成本（Sonnet）：约 $0.15 优化后： - 定期清理历史，使用 Skill 固化指令 - 第10轮输入：当前提示(100 tokens) + 关键历史(500 tokens) = 600 tokens - 总成本（Sonnet）：约 $0.045 节省：70% 🎯 技巧1：选择合适的模型 三大模型对比 模型 适用场景 成本 质量 Haiku 简单任务、数据提取、格式转换 最低 中等 Sonnet 日常开发、代码审查、内容创作 中等 优秀 Opus 复杂推理、架构设计、高质量创作 最高 顶级 实战建议 ✅ 用 Haiku 的场景： - JSON 格式转换 - 数据提取和清洗 - 简单的代码注释生成 - 文本分类和标签提取 - 格式化输出 ✅ 用 Sonnet 的场景： - 代码编写和审查 - 技术文档撰写 - Bug 调试分析 - API 设计 - 日常开发问答 ✅ 用 Opus 的场景： - 复杂架构设计 - 核心算法实现 - 深度技术调研 - 高质量长文创作 - 关键决策咨询 成本对比案例 任务：将 CSV 数据转换为 JSON 格式 使用 Opus： - 输入：1000 tokens - 输出：500 tokens - 成本：1000×$15/百万 + 500×$75/百万 = $0.0525 使用 Haiku： - 输入：1000 tokens - 输出：500 tokens - 成本：1000×$0.8/百万 + 500×$4/百万 = $0.0028 节省：95% 🎉 关键结论： 简单任务用 Haiku 完全够用，没必要上 Sonnet 或 Opus！ ✍️ 技巧2：优化提示词结构 冗余提示词的代价 ❌ 冗余的提示词（200 tokens）： 你好，我是一名开发者，我现在正在做一个项目，这个项目使用 React 框架。 我遇到了一个问题，就是关于状态管理的问题。我想问一下，在 React 中， 如果我想要在多个组件之间共享状态，应该怎么做呢？我听说可以用 Context， 也听说可以用 Redux，但是我不太清楚它们的区别，你能帮我分析一下吗？ 另外，如果我的项目不是很大，用哪个比较合适呢？谢谢！ ✅ 精简的提示词（30 tokens）： React 小型项目如何在组件间共享状态？Context vs Redux，如何选择？ Token 节省：85% 输出质量：完全一致 ✅ 提示词优化原则 1. 删除寒暄和客套话 ❌ "你好，请问..."、"谢谢你的帮助"、"如果可以的话" ✅ 直接描述需求 2. 使用精准的术语 ❌ "那个用来管理状态的东西" ✅ "状态管理方案" 3. 结构化表达 ❌ 大段文字描述 ✅ 使用列表或表格： 需求： - 功能：多组件状态共享 - 项目规模：小型 - 技术栈：React 18 - 问题：Context vs Redux 选择 4. 避免重复信息 ❌ 每次都说"我用的是 React + TypeScript + Vite" ✅ 在对话开始时说一次，或使用 Skill 固化项目信息 实战对比 提示词类型 Token 数 输出质量 备注 冗长描述 150-300 优秀 浪费 Token 适度描述 50-100 优秀 推荐 ⭐ 过度精简 10-20 良好 可能理解偏差 🔧 技巧3：使用 Skill 固化常用指令 Skill 的 Token 节省原理 渐进式披露机制： 阶段1（始终加载）： description 字段（~50 tokens） 阶段2（触发后加载）： 完整 Skill 内容（~1500 tokens） 阶段3（按需加载）： references 外部文件 传统方式 vs Skill 方式： ❌ 传统方式（每次都要说）： 用户: "帮我审查这段代码，注意检查： 1. 命名规范（驼峰命名） 2. 错误处理（必须有 try-catch） 3. 安全问题（SQL注入、XSS） 4. 性能问题（避免不必要的循环） 5. 输出格式：总体评分 + 问题列表 + 改进建议" [这段指令每次消耗 150 tokens] ✅ Skill 方式（一次配置，永久生效）： 用户: "审查这段代码" [仅消耗 10 tokens] [Skill 自动加载规则，但只在触发时消耗 Token] Token 消耗对比 场景：代码审查（10 次） 方式 单次输入 Token 10 次累计 节省 传统方式 指令(150) + 代码(500) = 650 6500 - Skill 方式 触发词(10) + 代码(500) + Skill加载(1500) 5100 22% Skill + 清理历史 触发词(10) + 代码(500) + Skill(1500) 2010 69% 如何创建省 Token 的 Skill 示例：代码审查 Skill --- name: Quick Code Reviewer description: Reviews code for bugs and issues when user asks to check code --- # 代码快速审查 ## 审查维度 1. 命名规范 2. 错误处理 3. 安全问题 4. 性能问题 ## 输出格式 - 评分: X/10 - 问题列表 - 改进建议 ## 原则 - 简洁输出，避免冗余 - 严重问题优先 - 提供代码示例 使用效果： 不用 Skill：每次输入 150 tokens 指令 使用 Skill：每次只需说"审查代码"（10 tokens） 节省 93% 指令 Token 💬 技巧4：管理对话历史 对话历史的"隐形成本" Claude 每次响应都会加载完整的对话历史，这是 Token 消耗的大头！ 成本累积示例： 对话轮次 当前输入 历史累积 总输入Token 累积成本(Sonnet) 第1轮 100 0 100 $0.0003 第2轮 100 200 300 $0.0009 第3轮 100 500 600 $0.0018 第5轮 100 1200 1300 $0.0039 第10轮 100 5000 5100 $0.0153 ❌ 不清理历史：第10轮单次输入 5100 tokens ✅ 定期清理：每轮输入保持在 100-300 tokens 何时清理对话历史 清理时机： 任务切换时 刚才：讨论前端代码 现在：讨论后端架构 → 清理！前端对话已无用 对话超过 5-10 轮时 累积历史 > 3000 tokens → 考虑清理 出现重复内容时 多次讨论同一个问题 → 保留最终结论，删除过程 长文本输出后 Claude 输出了 2000 tokens 的文档 → 立即清理 如何清理对话历史 方法1：手动开始新对话 优点：完全清空，Token 归零 缺点：丢失所有上下文 方法2：明确告知 Claude "之前的对话可以忽略了，我们开始新的话题" 优点：保留当前对话窗口 缺点：历史仍然加载（但 Claude 会理解可以忽略） 方法3：总结后清理 用户: "总结一下我们讨论的要点" Claude: [输出总结] 用户: [开始新对话，只引用总结] 优点：保留关键信息，大幅减少 Token 缺点：需要手动操作 实战效果 案例：持续 20 轮的开发对话 ❌ 不清理历史： 第20轮输入 = 当前提示(100) + 历史(12000) = 12100 tokens 总成本（Sonnet）：约 $0.50 ✅ 每5轮清理一次： 平均每轮输入 = 100-500 tokens 总成本（Sonnet）：约 $0.15 节省：70% 🎉 📦 技巧5：批量处理而非多次询问 多次询问的成本陷阱 ❌ 低效方式（3次对话）： 第1次： 用户: "帮我审查 user.js 文件" Claude: [输出审查结果 500 tokens] 第2次： 用户: "再审查 order.js 文件" [加载上次对话历史 700 tokens] Claude: [输出审查结果 500 tokens] 第3次： 用户: "再审查 product.js 文件" [加载历史 1700 tokens] Claude: [输出审查结果 500 tokens] 总输入 Token: 100 + 800 + 1800 = 2700 总输出 Token: 1500 总成本（Sonnet）: 2700×$3/百万 + 1500×$15/百万 = $0.0306 ✅ 高效方式（1次对话）： 用户: "批量审查以下文件： 1. user.js 2. order.js 3. product.js" Claude: [输出3个文件的审查结果 1500 tokens] 总输入 Token: 150（无历史累积） 总输出 Token: 1500 总成本（Sonnet）: 150×$3/百万 + 1500×$15/百万 = $0.0230 节省：25% 批量处理的最佳实践 1. 代码审查 ❌ 逐个文件审查 ✅ "审查 src/utils/ 目录下所有文件" 2. 文档生成 ❌ 分别生成 API 文档、README、部署文档 ✅ "生成完整的项目文档（API文档 + README + 部署指南）" 3. Bug 修复 ❌ 逐个讨论每个 bug ✅ "以下是3个 bug，请提供修复方案： Bug 1: ... Bug 2: ... Bug 3: ..." 4. 代码重构 ❌ 分步讨论重构方案 ✅ "完整的重构计划： 1. 当前问题 2. 重构目标 3. 实施步骤 4. 预期效果" Token 节省计算 任务数量 分次处理成本 批量处理成本 节省比例 3个任务 $0.030 $0.023 23% 5个任务 $0.065 $0.035 46% 10个任务 $0.180 $0.060 67% 结论： 任务越多，批量处理优势越明显！ 🛠️ 技巧6：善用 MCP 工具 MCP 如何节省 Token MCP (Model Context Protocol) 允许 Claude 直接调用外部工具，避免重复描述工具使用方法。 传统方式 vs MCP 方式： ❌ 传统方式： 用户: "帮我查询天气，查询方法是： 1. 访问 api.weather.com/v1/current 2. 传入参数 city=Beijing&key=xxx 3. 解析返回的 JSON 中的 temperature 字段 ...（150 tokens 的接口说明）" ✅ MCP 方式： 用户: "查询北京天气" Claude: [直接调用 weather MCP 工具] [MCP 配置已预先定义，不消耗对话 Token] 适合用 MCP 的场景 场景 传统方式 Token MCP 方式 Token 节省 文件操作 每次说明路径和操作 (100) 直接调用 (10) 90% API 调用 说明接口文档 (200) MCP 配置 (0) 100% 数据库查询 说明表结构和查询语法 (300) MCP 配置 (0) 100% Git 操作 说明命令和参数 (80) 直接调用 (10) 88% 实战案例 场景：文件系统操作 ❌ 不用 MCP： 用户: "读取项目根目录下的 package.json 文件内容， 文件路径是 /Users/xxx/project/package.json" [每次都要说明路径，50 tokens] ✅ 使用 Filesystem MCP： 用户: "读取 package.json" [MCP 自动定位文件，10 tokens] 节省：80% 推荐的 MCP 工具： Filesystem MCP - 文件读写 Git MCP - Git 操作 Database MCP - 数据库查询 Web Search MCP - 网络搜索 Custom API MCP - 自定义 API 调用 📁 技巧7：优化项目文件管理 项目上下文的 Token 陷阱 当你让 Claude 处理项目代码时，如果一次性上传大量文件，会消耗巨量 Token。 ❌ 错误做法： 上传整个项目目录（50个文件，总计 20000 tokens） 每次对话都加载全部文件 第5轮对话输入 Token：当前提示(100) + 历史(2000) + 项目文件(20000) = 22100 tokens 单轮成本（Sonnet）：22100×$3/百万 = $0.066 ✅ 正确做法： 只上传当前任务相关的文件（5个文件，总计 2000 tokens） 第5轮对话输入 Token：当前提示(100) + 历史(500) + 相关文件(2000) = 2600 tokens 单轮成本（Sonnet）：2600×$3/百万 = $0.0078 节省：88% 🎉 项目文件管理策略 1. 按需上传文件 ❌ 一次性上传所有代码 ✅ 只上传当前讨论的模块 示例： - 讨论登录功能 → 只传 auth/login.js - 讨论数据库 → 只传 models/ 目录 2. 使用文件摘要 对于大型文件，先让 Claude 生成摘要： 用户: "总结 user.service.js 的核心功能（不要输出代码）" Claude: "该文件提供用户管理服务，包含： - createUser: 创建用户 - updateUser: 更新用户信息 - deleteUser: 删除用户 [50 tokens 的摘要，而不是 2000 tokens 的完整代码]" 后续对话引用摘要即可。 3. 使用 .claudeignore # .claudeignore 文件（类似 .gitignore） node_modules/ dist/ build/ *.log .env package-lock.json 4. 代码片段而非完整文件 ❌ 传整个 1000 行的文件 ✅ 只传相关的函数（50 行） 用户: "审查 user.service.js 中的 createUser 函数" [只粘贴该函数代码，不传整个文件] Token 节省对比 项目规模 全量上传 Token 按需上传 Token 节省 小型项目 (20个文件) 8000 1000 88% 中型项目 (50个文件) 25000 2000 92% 大型项目 (200个文件) 120000 5000 96% 🔄 技巧8：利用 Prompt Caching Prompt Caching 是什么？ Anthropic 提供的 Prompt Caching 功能，可以缓存重复使用的提示内容，后续调用时缓存部分不计费（或只收取极低的缓存读取费用）。 适用场景： 大型项目文档反复引用 固定的代码规范文档 复杂的系统提示词 长期使用的知识库 计费对比 不使用缓存： 第1次调用：项目文档(5000 tokens) + 提示(100 tokens) = 5100 tokens 第2次调用：项目文档(5000 tokens) + 提示(100 tokens) = 5100 tokens 第10次调用：项目文档(5000 tokens) + 提示(100 tokens) = 5100 tokens 10次累计输入 Token：51000 成本（Sonnet）：51000×$3/百万 = $0.153 使用缓存： 第1次调用（写入缓存）： - 项目文档(5000 tokens) - 正常计费 - 提示(100 tokens) - 正常计费 - 缓存写入费：5000×$3.75/百万 = $0.01875 第2-10次调用（读取缓存）： - 项目文档(5000 tokens) - 从缓存读取：$0.30/百万 - 提示(100 tokens) - 正常计费 - 单次成本：5000×$0.30/百万 + 100×$3/百万 = $0.0018 10次累计成本：$0.01875 + 9×$0.0018 = $0.0349 节省：77% 🎉 如何使用 Prompt Caching API 方式（Python SDK）： import anthropic client = anthropic.Anthropic(api_key="your-api-key") # 第一次调用，建立缓存 response = client.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=1024, system=[ { "type": "text", "text": "你是一个代码审查专家..." # 固定的系统提示 }, { "type": "text", "text": "项目代码规范：...(5000 tokens)", # 需要缓存的内容 "cache_control": {"type": "ephemeral"} # 标记为可缓存 } ], messages=[ {"role": "user", "content": "审查这段代码..."} ] ) # 后续调用会自动使用缓存 Web UI 方式： 目前 Claude Web 界面自动启用缓存 长时间对话会自动缓存对话历史 建议： 重要的项目文档放在对话开头，让 Claude 缓存 ⚡ 技巧9：避免无效对话 什么是无效对话？ 无效对话的特征： 重复确认和废话 过度礼貌的寒暄 不必要的解释 冗长的感谢 Token 浪费示例： ❌ 无效对话（消耗 150 tokens）： 用户: "你能帮我审查一下代码吗？如果可以的话就帮我看看" Claude: "当然可以！我很乐意帮助你审查代码。请把代码发给我， 我会仔细检查并提供详细的反馈。" 用户: "太好了！那我现在就发给你。代码如下：..." Claude: "好的，我收到了你的代码。让我仔细分析一下..." ✅ 高效对话（消耗 30 tokens）： 用户: "审查以下代码：..." Claude: [直接输出审查结果] 节省：80% 避免无效对话的技巧 1. 直接发出指令 ❌ "你好，请问你能帮我..." ❌ "如果可以的话，麻烦..." ❌ "不好意思打扰一下..." ✅ 直接说需求："审查代码"、"生成文档"、"修复bug" 2. 让 Claude 简洁回复 在对话开头设定： "请简洁回复，直接给出结果，无需解释过程" 或者在 Skill 中配置： "输出原则：简洁、直接、无废话" 3. 避免重复确认 ❌ 用户: "帮我审查代码" Claude: "好的，请提供代码" 用户: "代码如下：..." ✅ 用户: "审查以下代码：..." [一次性提供] 4. 批量提问 ❌ 分3次问： - "这段代码有bug吗？" - "性能怎么样？" - "安全性如何？" ✅ 一次问全： "分析这段代码的：1) bug 2) 性能 3) 安全性" 📊 技巧10：使用 API 精细控制 API 的成本控制优势 通过 API 使用 Claude，可以实现更精细的 Token 控制。 关键参数设置 1. max_tokens（限制输出长度） # 限制输出 Token 数 response = client.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=500, # 最多输出 500 tokens messages=[...] ) 适用场景： 只需要简短回答时设置 max_tokens=200 代码审查设置 max_tokens=800 长文创作设置 max_tokens=2000 2. temperature（控制输出随机性） response = client.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=1024, temperature=0.3, # 降低随机性，输出更确定 messages=[...] ) 效果： temperature=0.0 → 输出最简洁，Token 最少 temperature=1.0 → 输出更发散，Token 更多 3. stop_sequences（提前终止） response = client.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=1024, stop_sequences=["\n\n---\n\n", "总结："], # 遇到这些内容就停止 messages=[...] ) 适用场景： 只需要代码，不需要解释 → stop_sequences=["```\n\n"] 只需要核心结论 → stop_sequences=["总结："] 流式输出控制 # 流式输出，可以提前中断 with client.messages.stream( model="claude-3-5-sonnet-20241022", max_tokens=1024, messages=[...] ) as stream: for text in stream.text_stream: print(text, end="", flush=True) # 如果满足条件，提前中断 if "关键信息" in text: stream.close() break Token 计数和预算控制 import anthropic client = anthropic.Anthropic(api_key="your-api-key") # 在调用前预估 Token token_count = client.count_tokens("这是要发送的文本...") # 设置预算限制 if token_count > 1000: print("输入太长，请精简") else: response = client.messages.create(...) # 获取实际消耗 usage = response.usage print(f"输入 Token: {usage.input_tokens}") print(f"输出 Token: {usage.output_tokens}") print(f"本次成本: ${usage.input_tokens * 3 / 1000000 + usage.output_tokens * 15 / 1000000:.4f}") 📈 综合案例：实战效果对比 场景：开发一个 Todo App 任务清单： 审查现有代码（5个文件） 设计新功能架构 编写单元测试 生成 API 文档 编写 README 方案A：不优化（常规使用） 操作流程： 1. 上传所有项目文件（30个文件，15000 tokens） 2. 逐个讨论每个任务（5轮对话） 3. 每轮加载完整历史 4. 使用 Sonnet 模型处理所有任务 5. 冗长的提示词和回复 Token 消耗统计： - 项目文件上传：15000 tokens × 5轮 = 75000 tokens - 提示词：300 tokens × 5轮 = 1500 tokens - 对话历史累积：0 + 500 + 1200 + 2300 + 4000 = 8000 tokens - 总输入：84500 tokens - 总输出：5000 tokens 成本（Sonnet）： 84500×$3/百万 + 5000×$15/百万 = $0.3285 方案B：完全优化 优化措施： 1. ✅ 只上传相关文件（5个文件，3000 tokens） 2. ✅ 创建代码审查 Skill（固化指令） 3. ✅ 批量提问（1次对话完成所有任务） 4. ✅ 简单任务用 Haiku（文档生成） 5. ✅ 精简提示词 6. ✅ 使用 Prompt Caching（缓存项目配置） 7. ✅ 定期清理历史 Token 消耗统计： - 项目文件（按需）：3000 tokens（使用缓存，只计费一次） - 提示词（精简）：50 tokens - Skill 加载：1500 tokens（触发一次） - 批量处理（无历史累积）：0 tokens - 总输入：4550 tokens - 总输出：3500 tokens（简洁输出） 成本（混合模型）： - 代码审查（Sonnet）：4550×$3/百万 + 2000×$15/百万 = $0.0437 - 文档生成（Haiku）：500×$0.8/百万 + 1500×$4/百万 = $0.0064 - 总成本：$0.0501 节省：85% 🎉🎉🎉 对比总结 维度 方案A（不优化） 方案B（优化） 改善 输入 Token 84500 5050 ⬇ 94% 输出 Token 5000 3500 ⬇ 30% 总成本 $0.3285 $0.0501 ⬇ 85% 对话轮数 5轮 1-2轮 ⬇ 70% 处理时间 15分钟 5分钟 ⬇ 67% 💡 总结与建议 十大技巧速查表 技巧 节省比例 难度 推荐指数 1. 选择合适模型 60-95% ⭐ ⭐⭐⭐⭐⭐ 2. 优化提示词 50-85% ⭐ ⭐⭐⭐⭐⭐ 3. 使用 Skill 60-93% ⭐⭐ ⭐⭐⭐⭐⭐ 4. 清理历史 50-70% ⭐ ⭐⭐⭐⭐⭐ 5. 批量处理 25-67% ⭐ ⭐⭐⭐⭐ 6. 使用 MCP 80-100% ⭐⭐⭐ ⭐⭐⭐⭐ 7. 文件管理 85-96% ⭐⭐ ⭐⭐⭐⭐⭐ 8. Prompt Caching 60-90% ⭐⭐⭐ ⭐⭐⭐⭐ 9. 避免无效对话 30-80% ⭐ ⭐⭐⭐⭐ 10. API 精细控制 20-40% ⭐⭐⭐⭐ ⭐⭐⭐ 立即可用的优化建议 🟢 初学者（难度低，收益高）： ✅ 简单任务用 Haiku，复杂任务用 Sonnet ✅ 删除提示词中的寒暄和废话 ✅ 每5轮对话清理一次历史 ✅ 批量处理多个相似任务 🟡 进阶用户（难度中，收益高）： ✅ 创建 2-3 个常用 Skill ✅ 只上传当前需要的文件 ✅ 让 Claude 简洁回复（在提示词中说明） 🔴 高级用户（难度高，收益高）： ✅ 配置 MCP 工具 ✅ 使用 API + Prompt Caching ✅ 精细控制 max_tokens 和 temperature 成本控制目标 使用频率 不优化月成本 优化后月成本 目标节省 轻度使用（10次/天） $20 $6 70% 中度使用（30次/天） $80 $24 70% 重度使用（100次/天） $300 $90 70% 最后的建议 80/20 原则：80% 的成本来自 20% 的低效操作 重点优化：对话历史、文件上传、模型选择 循序渐进：不要一次性优化所有，选择 3-5 个最适合你的技巧 定期检查：每周查看一次 Token 使用情况，找出浪费点 自动化：编写脚本自动清理历史、批量处理任务 💡 国内程序员一般在这里使用 Claude： weelinking 关注我，获取更多 AI 使用技巧！ 本文由mdnice多平台发布