教程概述

Token 是使用 Claude Code 的核心成本。本教程将教你如何在保证质量的前提下，最大化效率、最小化成本。

你将学到

• ✅ 模型选择决策框架
• ✅ Subagent 降成本架构
• ✅ mgrep 替代 grep 的优化
• ✅ 模块化代码库的优势
• ✅ 定价参考和成本计算

为什么 Token 优化很重要？

成本结构

pie title 月度成本分解
    "输入 Tokens" : 40
    "输出 Tokens" : 35
    "上下文加载" : 15
    "工具调用" : 10

优化收益

模型选择决策表

三种模型对比

flowchart TD
    A[任务类型] --> B{复杂度评估}
    B -->|低| C[Haiku]
    B -->|中| D[Sonnet]
    B -->|高| E[Opus]

    C --> F[快速执行<br/>低成本]
    D --> G[平衡性能<br/>标准成本]
    E --> H[深层推理<br/>高成本]

详细决策表

模型选择流程

flowchart TD
    A[开始任务] --> B{涉及文件数}
    B -->|1-2 个| C{是否安全关键?}
    B -->|3-10 个| D[Sonnet]
    B -->|>10 个| E{架构决策?}

    C -->|是| F[Opus]
    C -->|否| G[Haiku]

    E -->|是| F
    E -->|否| D

    D --> H{首次尝试失败?}
    H -->|是| F
    H -->|否| I[继续]

默认规则

默认使用 Sonnet 进行 90% 的编码任务

升级到 Opus 当：
- 首次尝试失败
- 任务涉及 >5 个文件
- 需要架构决策
- 安全关键代码

降级到 Haiku 当：
- 简单的文件搜索
- 单文件小修改
- 文档更新
- 格式化任务

Subagent 降成本架构

原理

flowchart LR
    subgraph 传统方式
        A[主代理<br/>Opus] --> B[所有任务]
    end

    subgraph Subagent 架构
        C[主代理<br/>Sonnet] --> D[探索 Haiku]
        C --> E[实现 Sonnet]
        C --> F[审查 Opus]
    end

    style A fill:#ffcccc
    style C fill:#e8f5e9

成本对比

场景：实现一个新功能

配置示例

# 子代理模型配置
agents:
  explorer:
    model: haiku
    tools: [Read, Grep, Glob]

  implementer:
    model: sonnet
    tools: [Read, Write, Edit, Bash]

  reviewer:
    model: opus
    tools: [Read, Grep]

工作流程

1. Explorer (Haiku) - 探索代码库结构
   → 返回摘要，消耗 ~5k tokens

2. Planner (Sonnet) - 制定实现计划
   → 返回计划，消耗 ~10k tokens

3. Implementer (Sonnet) - 执行实现
   → 返回代码更改，消耗 ~30k tokens

4. Reviewer (Opus) - 质量审查
   → 返回审查结果，消耗 ~15k tokens

总计: ~60k tokens (vs 单代理 Opus 100k+)

mgrep vs grep

为什么 mgrep 更好？

基准测试

在 50 任务基准测试中：

传统 grep:
- 平均 Token 消耗: 8000
- 任务完成率: 70%

mgrep:
- 平均 Token 消耗: 4000
- 任务完成率: 72%

Token 节省: 50%
质量相当或更好

使用方法

# 安装
claude plugin marketplace add Mixedbread-Grep
claude plugin install mgrep@Mixedbread-Grep

# 本地搜索
/mgrep "function handleSubmit"

# 网络搜索
/mgrep --web "Next.js 15 app router changes"

模块化代码库优势

为什么模块化节省 Tokens？

flowchart TD
    subgraph 单体代码库
        A[大文件 1000+ 行] --> B[需要读取整个文件]
        B --> C[高 Token 消耗]
    end

    subgraph 模块化代码库
        D[小文件 100-300 行] --> E[按需读取]
        E --> F[低 Token 消耗]
    end

对比

最佳实践

✅ 推荐
- 单个文件 ≤ 300 行
- 函数 ≤ 50 行
- 类职责单一
- 高内聚低耦合

❌ 避免
- "上帝类" 1000+ 行
- 深度嵌套
- 过长函数

定价参考

Claude 模型定价（2026）

月度成本估算

场景：全职开发者

pie title 月度 Token 使用分布
    "Sonnet 输入" : 35
    "Sonnet 输出" : 25
    "Haiku 输入" : 10
    "Haiku 输出" : 5
    "Opus 输入" : 15
    "Opus 输出" : 10

估算：

• 日均输入：50k tokens
• 日均输出：30k tokens
• 工作日：22 天

Token 优化 Mermaid 图

flowchart TD
    A[Token 优化策略] --> B[模型选择]
    A --> C[工具优化]
    A --> D[架构优化]
    A --> E[代码组织]

    B --> B1[Haiku: 简单任务]
    B --> B2[Sonnet: 标准任务]
    B --> B3[Opus: 复杂任务]

    C --> C1[mgrep 替代 grep]
    C --> C2[禁用未用 MCP]

    D --> D1[Subagent 架构]
    D --> D2[并行执行]

    E --> E1[文件 ≤300 行]
    E --> E2[函数 ≤50 行]

    style A fill:#e3f2fd
    style B fill:#e8f5e9
    style C fill:#fff3e0
    style D fill:#fce4ec
    style E fill:#f3e5f5

最佳实践总结

1. 选择正确的模型

简单任务 → Haiku（节省 90%）
标准任务 → Sonnet（默认选择）
复杂任务 → Opus（按需升级）

2. 使用 Subagent 架构

探索 → Haiku 子代理
实现 → Sonnet 子代理
审查 → Opus 子代理

3. 优化工具使用

搜索 → mgrep（节省 50%）
MCP → 禁用未使用的
Hooks → 自动化重复任务

4. 模块化代码

大文件 → 拆分为小模块
长函数 → 提取为小函数

小结

关键要点

• ✅ 默认使用 Sonnet，复杂任务升级 Opus
• ✅ Subagent 架构可以降低 50%+ 成本
• ✅ mgrep 比 grep 节省约 50% tokens
• ✅ 模块化代码库显著减少读取消耗
• ✅ 定期审计 MCP 和 Plugin 使用

系列导航：

• ← 上一篇：教程 8：Plugins - 扩展 Claude Code 能力
• → 下一篇：教程 10：Verification Loops 与持续学习
• 返回：教程系列索引