Claude Code 一口气吃掉 33k tokens，但省钱的秘密其实在别处
导语
这篇文章来自 systima.ai 的博客，标题叫《Claude Code vs OpenCode Token Overhead》。作者在同样的模型、同样的机器、同样的任务下，把这两个编程助手拆开看了个底朝天。
结论很简单：Claude Code 每轮对话前自己先吃掉 33k tokens，OpenCode 只用 7k。但在复杂的多步骤任务中，Claude Code 的总消耗却比 OpenCode 更低。
你以为的“省”，和实际上的“省”，是两码事。
作者做了一件很多人想过但没做过的事：在 API 层面拦截了 Claude Code 和 OpenCode 的每一次请求，逐层分析 token 花在了哪里。
先说最扎眼的数字。
在用户还没输入任何内容之前，Claude Code 光是系统指令、工具定义、内置脚手架，已经烧掉了大约 33,000 个 token。OpenCode 是 7,000 个。差距接近 5 倍。
这 33k 是怎么堆出来的？拆开来看：
- 工具定义占了最大头：Claude Code 内置了 27 个工具，包括后台代理编排、任务管理、推送通知这类“平台级”功能。光是这些工具的定义（tool schemas）就占了大概 24k tokens。OpenCode 只内置了 10 个经典编码工具，工具定义只占 4.8k。
- 系统 prompt 本身也有差距：去掉工具定义后，Claude Code 的系统 prompt 还有 26,891 个字符，约 6.5k tokens；OpenCode 是 8,811 个字符，约 2k tokens。
换句话说，OpenCode 的整个“启动成本”还没到 Claude Code 的工具定义的零头。
但数据最有趣的部分不在这个静态对比。
缓存效率的差距更大。 OpenCode 每次请求的前缀字节级相同，一次写入缓存后几乎零成本回读。Claude Code 在会话中频繁重写缓存，同一任务下最多写了 OpenCode 54 倍的缓存 token——而缓存写入是按 premium 计价的。
还有配置膨胀。一份 72KB 的项目指令文件（AGENTS.md 或 CLAUDE.md），每轮对话再加约 20k tokens。挂 5 个 MCP 服务器，再加 5k-7k tokens。作者算了一笔账：一个真实的生产环境配置，可能第一轮请求前就已经 75k-85k tokens 深了。用户还没说话，先花掉近一半的上下文窗口。
但文章在这里给了个反转。
在一个需要“写代码→运行→测试→修复”的多步骤编码任务中，Claude Code 的总消耗是约 121k tokens，OpenCode 是约 132k。Claude Code 反而更省。
原因是 Claude Code 擅长批量并行工具调用——它可以把多个步骤打包成一次请求。OpenCode 一次只调用一个工具，轮次更多，每次都要重新支付那 7k 的固定开销。
也就是说：入口门槛高不等于全程花费高。 33k 的前置开销更像是一笔“预付费”，在复杂任务中可能通过批量调用赚回来。但如果你只做两三句简单的提问，OpenCode 显然更划算。
最夸张的数据在子代理上。一个小任务直接做花了 121k tokens，分流给两个子代理后飙升到 513k tokens。因为每个子代理都要支付自己那套完整的启动成本。
看完这些数据，如果你是开发者，能做什么来省钱？
我觉得最务实的几条：
第一，精简你的项目指令文件。 很多团队的习惯是把整个编码规范、架构文档、历史决策全塞进一个 AGENTS.md 或 CLAUDE.md。72KB 的文件每轮吃掉 20k tokens。真正需要的可能只是当前任务相关的几条规则。按需裁剪，而不是一股脑全放进去。
第二，控制 MCP 服务器数量。 你真的需要同时挂数据库、浏览器、文件系统、Git 和 Slack 五个工具吗？按任务场景动态加载，比常驻所有服务器聪明得多。
第三，慎用子代理。 121k 到 513k 的膨胀足够说明问题。子代理不是免费的并行计算，能单线程完成的工作，不要过早引入分布式编排。
第四，重视缓存命中率。 尤其是用 Claude Code 时，尽量保持会话连续，避免频繁重启工具，让缓存真正发挥作用。
第五，任务拆分策略要权衡。 如果你的任务需要多次工具调用，尽量在一个提示里塞多个步骤，充分利用批处理。别让 AI 一次只做一步。
但说实话，这些技术手段治标不治本。
我在跟用户的对话里聊到一个现象：几乎所有用 AI 写代码的团队，最终都会走上一条“不归路”。
一开始只写 5 条核心规则，够用。后来发现 AI 总犯同一个错误，加一条。又翻车，再加一条。规则之间开始打架，加一条“优先级说明”来调和。不敢删旧规则，怕 AI 又犯老毛病，只能往上叠新的。
变成了一份“祖传 AGENTS.md”——每一条规则在当时都有它的合理性，但合在一起就是一锅粥。
你问我是模型不够聪明，还是开发者文档管理习惯不好？两个都是。但更关键的是，我们很少停下来问一句：这条规则真的还在发挥作用吗？
我没有现成的答案。可能需要一个工具，能告诉你“这条规则在过去 100 次对话中被触发了多少次”或者“删除这条规则后任务成功率下降了百分之几”。但在那之前，能做的最简单的事就是：定期花十分钟审视你的规则文件，问自己一句——“如果删掉这条，AI 真的会出问题吗？”
多数时候，答案是否定的。
来源：
