从月中断粮到绰绰有余：AI 编程省 Token 全攻略

📌 一句话摘要

本文通过监控、rtk、Caveman、CodeGraph 等工具和使用习惯，系统性地降低 Claude Code 的 token 消耗，帮助开发者避免月度限额。

📝 详细摘要

文章详细介绍了在使用 Claude Code 作为 AI 编程助手时，如何通过多种工具和工作习惯实现 token 成本的显著下降。作者首先展示了如何使用 Claude Desktop 的用量仪表盘和独立的 Claude Monitor 观察消耗速率；随后分别介绍了 rtk（压缩输入 token）、Caveman（压缩输出 token）以及 CodeGraph（通过图数据库高效查询代码结构）三款工具的原理、安装方式和实际节省效果。文中还提出了默认使用 Sonnet 模型、将 advisor 设为 Opus、精准限定提示词范围、定期审计 CLAUDE.md、频繁使用 /clear 等实践技巧，帮助团队在不牺牲开发效率的前提下，降低每日和月度的 token 用量。最后通过对比优化前后的消费图表，验证了这些措施的有效性，并展望了其他潜在的 token 效率工具。

💡 主要观点

- 监控用量是降低成本的前提。 通过 Claude Desktop 用量仪表盘和 Claude Monitor 实时观察消耗速率，能够及时发现异常并采取措施。

rtk 能显著压缩输入 token。 rtk 代理常见命令行工具的输出，将冗长的日志压缩后再发送给模型，示例中单日节省约 31% 的输入 token。

Caveman 通过精简回复结构降低输出 token。 Caveman 将模型的长篇解释改为编号列表和箭头链，减少废话和客套，使输出 token 节省约 13%，且信息密度更高。

CodeGraph 通过图数据库提升查询效率。 将代码库解析为节点边图后，Claude 可直接查询结构信息，避免逐文件搜索，间接降低 token 使用。

合理切换模型与设置可进一步削减费用。 默认使用成本更低的 Sonnet，只有在需要更强模型时才让 advisor 调用 Opus，并通过精确限定提示词范围避免无关上下文。

审计 CLAUDE.md 与频繁 /clear 防止上下文膨胀。 将始终加载的 @ 引用改为条件加载，并在任务切换时使用 /clear，避免冗余历史被重复计入输入 token。

💬 文章金句

- 将静态上下文改为 "条件触发加载"（如优化 CLAUDE.md），避免无意义的全量历史重复发送。

• 较新的 Sonnet 5 模型默认 effort 为 high，如果你进一步调到 xhigh 或 max，单次任务的成本可能反而超过直接用 Opus。
• 高效节水洗衣机从设计上就用水更少。你不需要单独买个小装置拧到洗衣机上来让它省水，它天生就是那样的。

📊 文章信息

AI 初评：86

来源：前端早读课

作者：前端早读课

分类：人工智能

语言：中文

阅读时间：23 分钟

字数：5504

标签： AI 编程, Token 效率, Claude, 工具链, Prompt Engineering

阅读完整文章