‏۸ تنظیم که هزینهٔ توکن Claude رو کم می‌کنه

تو این مقاله اومده که تغییر صورت‌حساب ۱۲ ژوئیه، اقتصاد خیلی از ورک‌فلوها رو عوض کرده: Claude Fable 5 حالا با نرخ استاندارد API حساب می‌شه، نه اون هزینهٔ ثابت اشتراکی که باعث می‌شد استفادهٔ سنگین عملاً مجانی حس بشه. نویسنده می‌گه لازم نیست ایجنت‌هات رو از نو بسازی یا بری سراغ مدل ضعیف‌تر؛ فقط باید جایی که Fable 5 بی‌دلیل حضور داره رو عوض کنی.

قبل از تنظیمات، مقاله سراغ این می‌ره که توکن‌ها کجا می‌سوزن. پرامپت سیستمی و فایل کانتکست هر بار که ایجنت اجرا می‌شه دوباره بارگذاری می‌شن؛ یه Claude.md دوهزار توکنی یعنی هر نوبت دوهزار توکن هزینه. زیرایجنت‌ها هم هرکدوم فراخوانی مدل خودشون رو دارن و اگه همه پیش‌فرض روی Fable 5 باشن، هزینه ضرب می‌شه. سرورهای MCP هم تعریف ابزارها رو موقع اجرا تزریق می‌کنن که با یه دوجین ابزار می‌شه ۲ تا ۴ هزار توکن اضافه قبل از اینکه ایجنت اصلاً کاری کرده باشه.

مؤثرترین تغییر به گفتهٔ نویسنده ساده‌ترینشونه: مدل پیش‌فرض ورک‌اسپیس رو از Fable 5 بیار پایین. قاعدهٔ سرانگشتیش اینه — Haiku برای دسته‌بندی، استخراج، مسیریابی و تصمیم‌های بله/خیر؛ Sonnet برای نگارش عمومی، خلاصه‌سازی و استدلال متوسط؛ و Fable 5 فقط برای تحلیل پیچیده، استدلال چندمرحله‌ای و محتوای بلندِ حساس. همین یه تغییر می‌تونه ۶۰ تا ۸۰ درصد از مصرف پیش‌فرض رو کم کنه.

تنظیم دوم مدل زیرایجنت‌هاست که معمولاً از والد ارث می‌رسه و دقیقاً همون‌جاست که هزینه انباشته می‌شه. زیرایجنت‌ها اغلب کار باریک و مشخص می‌کنن و به سرعت و ارزونی نیاز دارن نه به توان استدلال؛ نویسنده می‌گه Fable 5 به‌عنوان مدل زیرایجنت تقریباً هیچ‌وقت انتخاب درستی نیست.

سه تنظیم بعدی دربارهٔ لاغرکردن کانتکسته: Claude.md رو از دستورهای تکراری و بخش‌های مرجعی که فقط به ۱۰٪ درخواست‌ها می‌خوره خالی کن (هدف زیر ۵۰۰ توکن)، سرورهای MCP رو در سطح هر ایجنت ممیزی و غیرفعال کن، و سقف توکن خروجی رو متناسب با کار بذار — یه تصمیم مسیریابی به یه پاراگراف توضیح احتیاج نداره.

دو تنظیم آخر هم پرامپت سیستمی و حافظه‌ن. مقاله پیشنهاد می‌ده پرامپت‌ها رو از عبارت‌های زائد و دستورهای متناقض پاک کنی و دانش ثابت رو به‌جای پرامپت، توی سیستم بازیابی نگه داری؛ کوتاه‌کردن یه پرامپت از ۱۵۰۰ به ۶۰۰ توکن کاملاً شدنیه. برای حافظه هم به‌جای پاس‌دادن کل تاریخچه، از خلاصه یا پنجرهٔ محدود استفاده کن — یه خلاصهٔ ۱۰۰ توکنی از گفتگوی ۳۰۰۰ توکنی، ۹۷٪ ارزون‌تر تموم می‌شه.

آخرین مورد کشِ پرامپته: بخش‌های ثابت پرامپت به‌عنوان قابل‌کش علامت می‌خورن و در دفعات بعدی به‌جای نرخ کامل ورودی، نرخ خواندن از کش حساب می‌شه که خیلی پایین‌تره. برای ورک‌فلوهای پرحجم با پرامپت سیستمی ثابت، همین یه قابلیت می‌تونه ۳۰ تا ۵۰ درصد صرفه‌جویی بیاره.

نویسنده در پایان روی یه اشتباه رایج تأکید می‌کنه: قبل از بهینه‌سازی اندازه‌گیری کن. خیلی وقت‌ها آدم فکر می‌کنه خود مدل گرونه، در حالی که عامل اصلی یه Claude.md بادکرده یا سروری با ۱۵ تعریف ابزاره. اول لاگ مصرف رو دربیار، ببین کدوم مرحله بیشترین توکن رو می‌خوره، بعد سراغ اون برو.

نکات کلیدی:

• بیشتر اتلاف توکن از سربار میاد نه از خود کار: پرامپت سیستمی، تعریف ابزارهای MCP و تاریخچهٔ گفتگو
• مدل پیش‌فرض ورک‌اسپیس و مدل زیرایجنت‌ها، دوتا تغییرن که همزمان روی همهٔ ورک‌فلوها اثر می‌ذارن
• مدل رو با کار تطبیق بده: Haiku برای مسیریابی و استخراج، Sonnet برای کار عمومی، Fable 5 برای استدلال پیچیده
• سقف توکن خروجی و حافظهٔ خلاصه‌شده جلوی هزینهٔ بی‌دلیل رو می‌گیرن
• کشِ پرامپت روی ورک‌فلوهای پرحجم با پرامپت ثابت ۳۰ تا ۵۰ درصد صرفه‌جویی می‌ده