1 同样的任务，成本差好几十倍
两个人，同一家公司，都让 Claude Code 修登录模块——活差不多，模型一样，轮数也差不多。收工时各敲了一下 /cost：一个算下来十几块钱，另一个五十多了。
差在哪？同一个 token，落在哪个计价上。
token 不是一口价，是四个计价，最贵和最便宜差 50 倍。这一篇拆这本账：先看价目表，再看账怎么算清，最后看 Claude Code 怎么把尽量多的 token 送到便宜的计价上——省钱的活，全在模型外面那层代码里。
2 token 有四个计价
先看账单长什么样。每一轮发过去的，不只是你新打的那句话，是整个会话从头到尾的全部内容。服务器还会返回四个 token 用量数据：
usage: {
input_tokens: 35, // 没赶上缓存的一小截
cache_creation_input_tokens: 1977, // 这轮新增的：你的新消息、模型上轮回答、工具结果
cache_read_input_tokens: 41260, // 上一轮发过、这轮原样重发的大头
output_tokens: 804 // 模型这轮吐出来的字
}
这些用量不用自己计算，拿到就累加进这个会话的成本。
缓存：就是服务器把你发过的内容存一份，下一轮整个会话再发过去，旧的部分一字没动、新的放在后面，这样旧的那部分不用重算
四个 token 用量，对应四个计价。以默认的 Sonnet 看，每百万 token：
| 计价项 | 谁走这个价 | 单价 | 相对输入 |
|---|---|---|---|
| 输入 | 不走缓存的部分 | $3 | 1 倍 |
| 输出 | 模型吐出来的字 | $15 | 5 倍 |
| 缓存写入 | 第一次发、顺手存进缓存 | $3.75 | 1.25 倍 |
| 缓存读取 | 原样重发上一轮发过的 | $0.3 | 0.1 倍 |
价格表里最贵的是输出，最便宜的是缓存读取——5 除以 0.1，正好 50 倍。倍数这一列各档模型都基本一样：换模型换的是单价，不是倍数。
同样的内容，落在缓存读取还是落在重新写入，账单差多少？拿一轮典型对话算笔账：
| 这轮发的内容 | token 数 | 缓存都在 | 缓存过期 |
|---|---|---|---|
| 原样重发的部分 | 41 000 | 一折：$0.0123 | 重新写入，1.25 倍：$0.154 |
| 这轮新增 | 2 000 | 写入，1.25 倍：$0.0075 | 并入上面，一起重新写入 |
| 模型输出 | 800 | 五倍：$0.012 | 五倍：$0.012 |
| 合计 | 约 $0.032 | 约 $0.17 |
一模一样的活，差五倍多。原样重发的这部分，通常占一轮请求的 90% 以上，会话越长，这一行占比越大。
3 一折是怎么来的？
缓存读取价凭什么能打一折？
大模型处理输入不是扫一眼就完——每个 token 都要过一遍内部计算，得出中间结果，回答就从这些结果接着生成。这一步吃算力，是输入费的大头。
缓存省的正是这一步。上一轮发过去四万多 token，服务器算完，把中间结果留下。这一轮再发，旧的一段一字没动，新的接在后面。服务器从请求的第一个字逐字对过去，连着对到新内容开始的地方，对上的这一整段不用重算，只按一折收费，这就命中了缓存。
命中了为什么还收钱？
留下的中间结果是块不小的数据，得一路占着存储等下一轮；请求来了，再整块搬回计算芯片。存它、取它都要花钱，只是远比重算便宜——所以打一折，不是免费。写入价反倒贵一点（1.25 倍）：算完还多一步，把结果存下来。
规则三条：
- 只认从头连着的一整段：中间隔着的不算。
- 一字不能变：对到某个位置对不上了，从那里往后全部重算。
- 有时限：存的东西会过期。
一轮请求的四笔钱怎么流，拼成一张图：
省钱的方向就一个：让每轮重发的内容，尽量都命中缓存。可命中缓存的这段经不起改动——会话里到处是会变的东西。接下来三节，讲 Claude Code 是怎么让每轮都命中缓存的。
4 怎么让每轮都命中缓存？
标记是什么？
缓存不是服务器白送的：每轮发过去的全部内容里，得明确带一句「请存」，服务器才会把中间结果留下；一句不带，算完就扔，下一轮全部重算。打标记就是带这句「请存」，在发过去的内容里挑一条，附上一行小字段（cache_control）。这行字段告诉服务器：从头到这条为止，中间结果存下来。标记打在哪条上，缓存就保到哪条。
标记不止一处。
系统提示词、工具清单、对话历史——各段各打各的标记。服务器不用区分谁是谁：标记长在哪条内容上，位置就是身份；见到一个，就存一条缓存。
标记在请求里的位置：
请求的第一个字
│ 系统提示词（不变）
├─ 标记1
│ 工具清单（不变）
├─ 标记2
│ 辅助工具说明（随开随关）
│ 对话历史
└─ 标记3
每条缓存的范围，起点是同一个字——请求的第一个字，量到各自的标记为止：
标记1：第一个字 ──────────── 到标记1
标记2：第一个字 ────────────────────── 到标记2
标记3：第一个字 ─────────────────────────── 到标记3（整包）
标记越靠后，缓存命中的越多，但是标记得打在会变的内容前面。
对话的标记：打在最末。
发过的对话不会再改，新的只会接在后面——整段没有会变的，标记一路推到最末，打在这一轮最后一条消息上，能保多长保多长。源码注释钉死了数量：
Exactly one message-level cache_control marker per request. （每个请求有且只有一个消息级缓存标记。）
「消息级」三个字，说的就是对话这一段：段内只此一个。
工具的标记：停在会变的前面。
工具清单里有随开随关的东西。比如一个辅助工具：源码注释专门交代了它的位置——说明排在带标记的工具清单后面。开关一变，变的只是标记后面那一小截，前面已经缓存的工具定义一点不碰。
分身的标记挪一位。
把主对话复制一份、派出去单独干活的分身，请求里最后那条消息是它自己领的任务，和主对话不共享。标记挪到倒数第二条——那是它和主对话还一字不差的最后一条。
5 缓存能放多久？
缓存分两档：
- 默认 5 分钟；
- 内部用户或者订阅用户且没超套餐量的用户，用 1 小时。
选哪档由 Claude Code 定：打标记时在标记里写上时长，不写就是 5 分钟；服务器不替你选，照着写好的时长存，到期就扔。
5 分钟的意思是：两轮请求之间断档超过 5 分钟，缓存才过期。接着聊，两轮间隔一般也就几十秒，一直续得上。真正的坑是断档：去开了个会回来，缓存早没了，下一轮这几万 token 全部重新写入。
有一处设计值得单独看：能不能用 1 小时，会话开始查一次，之后整个会话不再查。
为什么锁死？
能不能用 1 小时，每次请求都写在请求头里；可请求头变一个字，缓存就整个失效，而订阅用量一超，这项就变——所以会话开始查一次就锁死，之后哪怕变了，请求头也照旧写。
6 什么都没改，折扣怎么也丢了？
上一篇讲压缩时说过：改写已经发出去的历史，折扣当场失效。那是自己动手改的。可有时候你什么都没动，折扣照样丢。除了缓存过期，还有一种更隐蔽。
怎么知道「折扣丢了」？两道手段，一前一后：
- 事前记指纹：发请求前，把这次会影响命中的各段内容——系统提示词、每只工具的定义、之前的对话——各算一串指纹存下来，最多盯 10 个来源。哪段变了，指纹就变。
- 事后看账单：每轮盯着账单里的缓存读取数，比上一轮掉了 5% 以上、还实打实少了 2000 token，就报一次「缓存失效」，把存着的指纹翻出来，看是哪段变了。
跟踪下来发现：有一类失效，内容一个字没动，是服务器那边自己丢的——请求被路由到了另一台机器，或者缓存被挤掉了。「事前指纹 + 事后对账」正好派上用场：这类问题得先发现，改进才有方向。
7 输出为什么限在 8000 token？
另外一个要考虑的就是输出。每次调用大模型，都得告诉服务器这次最多允许它输出多少 token；服务器照这个数提前占地方——报 6.4 万就按 6.4 万占，模型实际只吐 800，多占的照样空着，服务器资源就被浪费了。
后台实测：99% 的请求吐不到 4911 token。所以 Claude Code 默认只报 8000；撞了上限的（不到 1%）再拿 6.4 万从头重跑一遍，平时少占，偶尔不够再加。真有任务需要长输出，环境变量 CLAUDE_CODE_MAX_OUTPUT_TOKENS 可以改。
8 具体用了多少，怎么看？
用量按会话记：每轮的四个数加在一起，就是整个会话用了多少；第二天 resume 回到同一个会话，接着上次的数往下加。
想看，敲 /cost：用 API 计费的，看到的是金额；订阅用户看到的不是金额，是用量，超了限流、不扣钱。
写到这里，一件自始至终没变的事：模型对这本账一无所知，不知道自己吐的字按五倍计，不知道改一个字丢多少折扣，更不知道自己一次最多只能吐 8000 token，这些全是外面那层代码在管。
智能在模型，干活在 harness——连省钱，也是 harness 干的活。
下一篇：它想删你一个文件、跑一条命令之前，谁点头、谁拦着？——权限。
小技巧：找一个聊了几十轮的长会话，紧接着问一句短的，
/cost涨得很慢，重发的都在按一折走；/compact压缩一次，再问同一句，涨一大截：缓存过期，那轮全部重新写入。
