用途
claude-cost-optimization 是一个面向生产环境 Claude 部署的成本跟踪与优化技能。资料指出，一个设计低效的智能体每月可能花费数百甚至数千美元，而经过优化的实现可以在功能相同的情况下降低 10%–90% 的成本。该技能提供了一套测量、分析和优化 token 成本的完整工作流。
主要能力
该技能围绕以下能力展开：
- 跟踪 token 成本：了解 Claude 实现的具体花费。
- 识别高成本模式：找出哪些操作消耗最多 token。
- 测量 ROI：计算 Claude 集成的业务价值。
- 生产环境优化：在部署昂贵智能体前降低成本。
- 分析成本驱动因素：按模型、功能、端点或时间段拆分成本。
- 预算规划：基于增长预测预估未来成本。
- 实施优化：应用缓存、批处理、上下文编辑等已验证技术。
- 设置告警：监控成本并在异常或超预算时收到通知。
资料列出的关键节省空间包括：effort 参数可减少 20%–70% token；上下文编辑在长对话中可减少 60%–90%；工具优化可减少 37%–85%；提示缓存在重复内容上可减少 90%；模型选择在不同模型间存在 2–5 倍成本差异。
使用方式：五步优化工作流
第一步：测量基线用量。 在优化前建立当前成本基线，需测量每月总 token（输入+输出）、按模型的成本拆分、最昂贵的 10 个操作、每请求平均 token、峰值使用时间与模式。资料提供了使用 Admin API 的示例代码，通过 client.beta.admin.usage_metrics.list 获取用量并计算成本。
第二步：分析成本驱动因素。 理解成本实际来源，识别哪些操作、模型消耗最多 token，缓存是否有效，上下文窗口是否不必要地增长，是否存在冗余 API 调用。资料给出一个成本拆分示例：智能体推理循环占 45%、文件分析占 25%、网络搜索占 15%、分类任务占 10%、其他占 5%。需计算的关键指标包括每笔交易成本、每笔交易 token、每个业务成果成本、周环比成本趋势。
第三步：应用优化。 针对最大成本驱动因素应用定向优化：
- effort 参数（若使用 Opus 4.5）：复杂推理用 high effort（默认），平衡任务用 medium effort（节省 20%–40%），简单分类用 low effort（节省 50%–70%）。
- 上下文编辑（用于长对话）：自动清除工具结果（节省 60%–90%）、客户端压缩、记忆工具集成。
- 工具优化（用于大型工具集）：带延迟加载的工具搜索（支持 10K+ 工具）、程序化调用（数据处理减少 37% token）、工具示例（准确率从 72% 提升到 90%）。
- 提示缓存（用于重复内容）：缓存系统提示（缓存部分成本降低 90%）、缓存重复文件/文档、缓存工具定义。
- 模型选择：Opus 4.5 为 $5/M 输入、$25/M 输出（复杂任务）。
第四步：跟踪改进。 优化后监控成本降低与效率提升，需跟踪每笔交易成本（前后对比）、总 token 减少百分比、质量影响、实施难度与时间。资料建议每个优化跟踪 1–2 周。示例：对长研究任务使用客户端压缩，从 450K token/请求、$11.25 降至 180K token/请求、$4.50，节省 60%。
第五步：报告 ROI。 计算优化的业务价值。资料给出 ROI 计算公式：月度节省 =（每日成本 × 30）−（优化后成本 × 30）；实施小时数 = 实施优化所需时间；每小时成本 = $100–300（工程成本）；回本周期 =（实施小时数 × 每小时成本）/ 月度节省。示例：月度节省 $500，实施 8 小时，每小时 $150，实施成本 $1,200，回本周期 2.4 个月，首年 ROI 400%。
快速上手
资料提供两段快速上手代码。用量跟踪示例通过 get_monthly_costs() 函数获取最近 30 天用量，按 Opus 4.5 定价（$5/M 输入、$25/M 输出）计算输入成本、输出成本和总成本。ROI 计算示例通过 calculate_roi() 函数，输入月度成本、月度交易数、使用 Claude 前的成本、质量提升系数，输出每笔交易成本、月度节省和 ROI 百分比。
定价概览
资料给出截至 2025 年 11 月的 Claude 模型定价：
- Opus 4.5：输入 $5/M，输出 $25/M，适用于复杂推理、智能体、编程。
- Sonnet 4.5：输入 $3/M，输出 $15/M，适用于性能与成本平衡。
- Haiku 4.5：输入 $0.80/M，输出 $4/M，适用于简单任务、高并发。
各优化技术的节省幅度与实施难度：effort 参数（medium）节省 20%–40%，难度低；effort 参数（low）节省 50%–70%，难度低；上下文编辑节省 60%–90%，难度中；工具优化节省 37%–85%，难度中；提示缓存节省 90%，难度高；模型选择节省 50%–75%，难度高。
资料还给出一个每月 100 万笔交易的分类任务成本对比：Opus 4.5 high effort 为 $500/月；Opus 4.5 low effort 为 $375/月（节省 25%）；Haiku 4.5 high effort 为 $80/月（节省 84%）。
适用场景
资料列出两个常见优化场景。场景一：将智能体成本降低 50%。优化前为 Opus 4.5 high effort、长推理循环、20+ 工具始终加载，月成本 $2,000。按影响顺序优化：effort 参数切换到 medium（节省 30%，$600）、工具搜索+延迟加载（节省 20%，$400）、上下文编辑清除旧工具结果（节省 10%，$200），总计降低 60% 至 $800/月，实施时间 20–30 小时。场景二：将分类成本降低 80%。优化前为 Opus 4.5 high effort（对分类过度）、简单是/否决策，月成本 $1,000。优化：切换到 Haiku 4.5（节省 80%，$800）、low effort（在 Haiku 上再省 20%）、提示缓存分类规则（缓存部分节省 90%），总计降低 85% 至 $150/月，实施时间 5–10 小时。
限制
资料未提供该技能的具体安装命令、支持的平台范围、是否需要特定账户权限或版本要求。部分模型（Sonnet 4.5、Haiku 4.5）的定价在正文中标注为“见 references 参考”，未在资料中直接给出。资料中提到的 references/ 目录内容、相关技能（claude-opus-4-5-guide、claude-context-management、claude-advanced-tool-use、anthropic-expert）的具体内容均未在资料中展开。