我把 Claude Code 的 Token 费砍了 70%，只用了 SageMaker + 一个路由 Hook

上个月账单出来，我整个人都不好了——Claude Code 的 Token 费用翻了 4 倍。

团队 15 个人全员用上 Claude Code 之后，爽是真爽，贵也是真贵。

折腾了两周搞定了。核心思路：Claude Code 的任务不都需要强模型，简单任务分流到开源模型。实测成本降约 70%，开发者无感。

TL;DR

• Amazon SageMaker 部署 Kimi-K2.5/GLM-5 开源模型
• LiteLLM Proxy 做统一网关 + 智能路由
• 自定义 Hook 根据 Prompt 特征自动分流
• 支线任务（占 60%+）走私有化模型，主线任务走 Amazon Bedrock
• 代码不出 VPC，性价比提升约 3.2 倍

Claude Code 的任务有"主线"和"支线"

Claude Code 执行任务时不是一路调同一个模型，会自动拆两类：

主线任务——你直接提的需求：

• 代码重构、架构设计
• 复杂 bug 排查
• 技术方案评审

支线任务——Claude Code 自动触发的辅助操作：

• 会话标题生成
• Bash 命令描述
• Hook 条件评估（判断是否要启动 SubAgent）
• 下一步建议生成

我翻了一周调用日志，支线任务消耗 Token 占总量 60% 以上。输入输出格式固定、上下文短、逻辑简单，用 Claude Sonnet 纯属浪费。

架构长这样

开发者 → Claude Code → LiteLLM Proxy
                            ├── 主线任务 → Amazon Bedrock (Claude Sonnet)
                            └── 支线任务 → Amazon SageMaker (Kimi/GLM)

LiteLLM Proxy 是统一入口，开发者不需要知道后面接了啥。一个自定义 Hook 负责根据 Prompt 特征判断任务类型，动态切换后端模型。

关于安全性：支线任务在 VPC 内处理，不出内网。主线走 Amazon Bedrock，有 VPC Endpoint 接入和 SOC2/ISO27001 认证。

动手：4 步搞定

Step 1: SageMaker 部署开源模型

推理引擎用 SGLang，原生支持 SageMaker Inference API。模型推荐 Kimi-K2.5 或 GLM-5。

git clone https://github.com/ybalbert001/claude-code-aws-skills.git
cd claude-code-aws-skills/skills/sglang-deploy

python deploy.py \
  --model-id kimi-k2.5 \
  --instance-type ml.p5.48xlarge \
  --endpoint-name kimi-endpoint \
  --region us-east-1

⚠️ 踩坑预警：第一次选了 ml.g5.12xlarge，直接 OOM。大模型吃显存，实例选型宁大勿小。

Step 2: LiteLLM Proxy 配置 + 启动

config.yaml 核心配置：

general_settings:
  store_model_in_db: true
  master_key: "sk-your-master-key"

router_settings:
  timeout: 180

litellm_settings:
  callbacks:
    - "stream_anthropic_schema_fixer.hook"
    - "dynamic_tagging_handler.proxy_handler_instance"

model_list:
  - model_name: sagemaker-kimi-2-5
    litellm_params:
      model: sagemaker-chat/kimi-endpoint
      aws_region_name: us-east-1
      timeout: 180
      max_tokens: 8192
      drop_params: true
  - model_name: bedrock-claude-sonnet46
    litellm_params:
      model: bedrock/anthropic.claude-sonnet-4-6-v1:0
      aws_region_name: us-west-2
      timeout: 300

Docker Compose 一把启动：

services:
  litellm:
    image: ghcr.io/berriai/litellm:v1.82.3-stable
    restart: always
    volumes:
      - ./config.yaml:/app/config.yaml
      - ./stream_anthropic_schema_fixer.py:/app/stream_anthropic_schema_fixer.py:ro
      - ./dynamic_tagging_handler.py:/app/dynamic_tagging_handler.py:ro
    command:
      - "--config=/app/config.yaml"
    ports:
      - "8080:4000"
    environment:
      DATABASE_URL: "postgresql://llmproxy:dbpassword9090@db:5432/litellm"
      STORE_MODEL_IN_DB: "True"
      ENABLE_ANTHROPIC_SCHEMA_FIX: "true"
    env_file:
      - .env
    depends_on:
      - db

  db:
    image: postgres:16
    restart: always
    environment:
      POSTGRES_USER: llmproxy
      POSTGRES_PASSWORD: dbpassword9090
      POSTGRES_DB: litellm
    volumes:
      - pgdata:/var/lib/postgresql/data

volumes:
  pgdata:

docker compose up -d
# 确认健康
curl http://localhost:8080/health

Step 3: Claude Code 连上 Proxy

一个 alias 搞定：

alias cc_proxy="ANTHROPIC_API_KEY=sk-your-litellm-key \
ANTHROPIC_BASE_URL=http://your-litellm-host:8080 \
ANTHROPIC_DEFAULT_SONNET_MODEL=bedrock-claude-sonnet46 \
ANTHROPIC_DEFAULT_HAIKU_MODEL=bedrock-claude-haiku45 \
CLAUDE_CODE_SUBAGENT_MODEL=bedrock-claude-sonnet45 \
claude"

跑 cc_proxy 启动，和直连 Claude 体验一模一样。

Step 4: 动态路由 Hook（灵魂部分）

这是整套方案最关键的代码。LiteLLM 的 Callback Handler 能在 API 调用前拦截请求，根据 Prompt 特征改路由：

# dynamic_tagging_handler.py
from litellm.integrations.custom_logger import CustomLogger


class DynamicRoutingHandler(CustomLogger):
    def log_pre_api_call(self, kwargs, response_obj, start_time, end_time):
        messages = kwargs.get("messages", [])
        full_text = self._extract_all_text(messages)

        task_model = self._detect_task_type(full_text)
        if task_model:
            kwargs["model"] = task_model
        return kwargs

    def _extract_all_text(self, messages):
        text_parts = []
        for msg in messages:
            content = msg.get("content", "")
            if isinstance(content, str):
                text_parts.append(content)
            elif isinstance(content, list):
                for block in content:
                    if block.get("type") == "text":
                        text_parts.append(block.get("text", ""))
        return " ".join(text_parts)

    def _detect_task_type(self, text):
        if self._is_hook_evaluator(text):
            return "sagemaker-kimi-2-5"
        elif self._is_session_title(text):
            return "sagemaker-kimi-2-5"
        elif self._is_bash_desc(text):
            return "sagemaker-kimi-2-5"
        elif len(text) > 10000:
            return "bedrock-claude-sonnet46"
        return None

    def _is_hook_evaluator(self, text):
        markers = [
            "You are evaluating a hook in Claude Code",
            "hook condition",
            "Return your evaluation as a JSON object",
            '"satisfied": true'
        ]
        return sum(1 for m in markers if m in text) >= 3

    def _is_session_title(self, text):
        return "Generate a short title" in text

    def _is_bash_desc(self, text):
        return "Describe what this bash command does" in text


proxy_handler_instance = DynamicRoutingHandler()

用多特征阈值匹配避免误判。_is_hook_evaluator 至少 3 个特征命中才路由，误判率极低。

还有个坑：Streaming Schema 不兼容

这个坑了我两天。Claude Code 流式解析器严格按 Anthropic Messages API 设计。开源模型返回数据丢字段，直接报错。

写了个 Hook 逐 chunk 补字段：

# stream_anthropic_schema_fixer.py
from litellm.integrations.custom_logger import CustomLogger
from typing import AsyncGenerator, Optional, Dict, Any


class AnthropicSchemaFixerHook(CustomLogger):
    async def async_post_call_streaming_iterator_hook(
        self, user_api_key_dict, response: AsyncGenerator,
        request_data: dict
    ) -> AsyncGenerator:
        last_usage = None
        async for chunk in response:
            if not isinstance(chunk, bytes):
                yield chunk
                continue
            try:
                decoded = chunk.decode("utf-8")
                if not decoded.startswith("event:"):
                    yield chunk
                    continue

                event_type, data_json = self._parse_sse(decoded)
                modified = False

                if event_type == "message_start":
                    modified = self._fix_message_start(data_json)
                elif event_type == "message_delta":
                    modified, usage = self._fix_message_delta(data_json)
                    if usage:
                        last_usage = usage
                elif event_type == "message_stop":
                    modified = self._fix_message_stop(
                        data_json, last_usage
                    )

                if modified:
                    yield self._rebuild_sse(event_type, data_json)
                else:
                    yield chunk
            except Exception:
                yield chunk


hook = AnthropicSchemaFixerHook()

修复后流式响应正常。这个 Hook 不能省——不修复会 fallback 到非流式模式，SageMaker 容易 60 秒超时。

效果

指标	数据
支线任务占比	~60%-65%
成本降低	~70%
性价比提升	~3.2 倍
开发者体验	无感
代码安全	支线不出 VPC

踩坑清单

1. 实例选型 OOM：部署前算显存，宁大勿小
2. Schema 不兼容：Claude Code 更新快，Schema 修复 Hook 得跟着调
3. 路由误判：单特征匹配不靠谱，至少 3 个特征才路由
4. 冷启动慢：SageMaker 第一次请求会慢，配 provisioned concurrency
5. 版本锁定：LiteLLM 锁 v1.82.3-stable，别随便升

参考链接

• 代码仓库：github.com/ybalbert001…
• 部署工具：github.com/ybalbert001…
• LiteLLM：docs.litellm.ai/
• SGLang：github.com/sgl-project…
• 亚马逊云科技官博：aws.amazon.com/cn/blogs/ch…

Kimi-K2.5 和 GLM-5 处理支线完全够用，下一步把翻译总结也分流。Token 费用还有压的空间。

评论区聊聊，互相避坑 🤝