Экономика контекста и prompt caching
Из чего складывается расход токенов
Любая LLM - это просто набор статичных весов, она ничего не “помнит” между запросами, поэтому каждое новое сообщение в сессии Claude Code отправляет заново весь текущий контекст на сервера Anthropic. И просто старт новой сессии и отправка первого сообщения часто уже съедает несколько процентов контекста:
- Системный промпт - зависит от харнесса и модели, обычно от нескольких тысяч до нескольких десятков тысяч токенов
- Описания инструментов - JSON-схемы всех доступных системных инструментов, в Claude Code это около 10 тысяч токенов
- Скиллы, агенты, память - легко может съедать ещё 20-30 тысяч токенов. Описания MCP-инструментов сейчас грузятся только по требованию
- First-message scaffolding - сообщение “дарова” в чистой сессии у меня съело 18 тысяч токенов
Исследование Systima (июль 2026) показало, что этот базовый минимум может сильно отличаться у разных обвязок - например, у OpenCode он ниже в 4-5 раз, чем у Claude Code. В общем, нужен баланс - лучше не раздувать сессии до миллиона токенов, но и создавать новую на каждый чих тоже довольно расточительно.
По ходу работы сессия, само собой, может быстро раздуваться, и не только за счёт сообщений:
- Подгружаются описания MCP-тулзов
- Запускаются субагенты, каждый из которых получает свой системный промпт, контекст и описания тулзов
- Некоторые тулзы могут возвращать очень длинные ответы

Как работает кэш
Официальная документация про кэширование
Prefix caching позволяет переиспользовать уже обработанный контекст и пересчитывать только ту часть, что добавилась. Соответственно, он сработает только, если первая часть (“префикс”) идеально совпадает с ранее обработанной. Поэтому любой харнесс кладёт постоянные штуки типа системного промпта, описания тулзов, контекста проекта в самое начало каждого запроса.
Для экономии стоит избегать всех вещей, которые ломают кэш:
- Смена модели
- Смена уровня effort (на новых Opus 5.5, Sonnet 5.5, Haiku 5.5 и Fable 5.1 уже не сбрасывает)
- Включение fast mode
- Некоторые изменения настроек
- Обновление версии Claude Code
- Уйти на обед больше, чем на час - на подписках TTL кэша составляет 60 минут, но только в рамках лимита плана. У субагентов и при оплате сверх лимита кэш живёт 5 минут. Длинные сессии Claude Code перед этим сам сжимает (idle compaction, см. выбор моделей)
Если используете кастомный шлюз (например, для проверки всех запросов на утечку секретов или персоналки), то нужно проявлять особую аккуратность и тестировать, не ломает ли ваш шлюз кэширование. Также рекомендуем добавить мониторинг использования кэша по пользователям организации.
Сколько это стоит
Токены биллятся по-разному в зависимости от того, были они прочитаны из кэша или записаны в него. Множители относительно базовой цены входного токена:
| Тип токена | Множитель к цене input |
|---|---|
| Обычный input | 1x |
| Запись в кэш (cache write), TTL 5 мин | 1.25x |
| Запись в кэш (cache write), TTL 1 час | 2x |
| Чтение из кэша (cache read) | 0.1x (у Opus 5.5 и Sonnet 5.5 - 0.05x, у Fable 5.1 - 0.025x) |
Рассмотрим неизменный префикс размером P токенов, который используется в N последовательных запросах, а r - множитель цены чтения из кэша. Если за это время кэш не истёк и не был инвалидирован, его стоимость составит:
без кэша: N × P
с кэшем: 1.25 × P + r × P × (N − 1) = P × (1.25 + r·(N−1))
Пример. Префикс P = 40k токенов, Opus 5.5 (~$4 за 1M input, r = 0.05), сессия из 10 ходов:
- без кэша: 10 × 40k × $4/1M = $1.60
- с кэшем: запись 40k×1.25 + чтения 9×40k×0.05 = (50k + 18k) × $4/1M ≈ $0.27
Диагностика
/contextв пустой сессии - видим, кто ест контекст по умолчанию- В каждом ответе API есть
cache_creation_input_tokens(запись, дорого) иcache_read_input_tokens(чтение, ~10% от input). Высокий read/create - хорошо. Через OpenTelemetry-экспорт эти токены видны по пользователям и сессиям на уровне организации - Скрипт анализа токенов - скормить отчёт Claude Code и попросить найти плохие паттерны
Следующая: MCP и CLI
Предыдущая: Выбор моделей и экономия