在AI的世界里，最贵的不是算力，是你以为不用花钱的那些开场白。
你有没有想过，当你在AI编程助手里输入一行指令时，背后已经跑掉了多少“隐形消费”？我们干了一件挺无聊但很较真的事：把Claude Code和OpenCode这两个编程助手拉到同一个实验室里，用同一个模型、同一台机器、做同样的任务，然后像查水表一样，记录它们每一条进进出出的数据。结果发现，在你还没打一个字之前，那个看起来更聪明的家伙可能已经悄悄花掉了你四倍多的“聊天额度”。这不是玄学，这是每一行代码、每一个工具定义堆出来的硬成本。
新来的是个吞金兽
先别管代码写得好不好，咱们先看看进门费。我们给两个助手布置了一道最简单的题：回复“OK”，就俩字母。结果还没开始答题，账单上的数字就让人倒吸一口凉气。
Claude Code在接收这俩字母之前，先往模型里塞了大概三万三千个token的系统提示词、工具模板和各种后台脚手架。你打开它的包裹一看，好家伙，27个工具整装待发，从创建定时任务到监控系统状态，甚至还有推送通知，恨不得把整个办公室都搬进提示词里。
而OpenCode那边就清爽多了，只带了10个经典编码工具，系统提示词简单直接，总共也就七千个token左右。这就好比你去便利店买瓶水，一个人揣着钱包就去了，另一个人拉着装满露营装备的房车，说以防万一要在停车场过夜。第一回合，Claude Code的起跑线就比别人远了四倍多。
更气人的是，这个比例还看人下菜碟。换了个新模型重新测，Claude Code像是收到了内部通知，赶紧把系统提示词精简了不少，比例一下子降到了三倍多。这说明什么？说明那堆多余的词儿不是不能省，是看人给价。OpenCode不管对面是谁，始终就那套标准流程，像个老实人，不挑客户。
这一局，Claude Code在“进场费”上确实更金贵，至于这金贵值不值，得看后面它干活的效率。
缓存里的赔本买卖
既然每次对话都要发这么多东西，那能不能让模型记性好点儿，把重复读的东西缓存起来，省点钱？理论上可以，但实际操作起来，差距大得离谱。
理想状态下，系统提示和工具定义这些东西第一次发过去后会被缓存，后面再读就只收十分之一的钱。我们仔细核对了每一轮的缓存写入和读取记录，发现OpenCode像个强迫症，每一轮对话发出的请求前缀都一模一样，分毫不差。这意味着它在一个会话里只需要付一次写入缓存的钱，后面全是优惠价。
Claude Code这边就精彩了。它不光进门带的东西多，还爱在对话过程中改写缓存。明明是一次完整的任务，同一个文件，它愣是会在中途突然把整个四十多KB的前缀重新写一遍缓存，而且这种事还不是偶然，我们测了好几次都复现了。这就好比你跟人聊天，本来已经记住你长啥样了，结果他每隔几分钟就要重新掏身份证验明正身。缓存写入本来就要加收25%甚至一倍的费用，这么一搞，光是缓存重写的成本差距就达到了几十倍。
如果你的使用量仪表盘突然飙升，别怀疑，很可能是你的助手正在后台“重新装修”缓存呢。
配置文件是隐形的军备竞赛
如果说基础开销是必选项，那配置文件就是无限续杯的加价包。一个现实的项目仓库里，往往躺着几十甚至上百KB的指导文件，比如AGENTS.md或者CLAUDE.md。这东西你得让AI知道吧？好，那每问一个问题，这二十万字符（大概两万token）就得完整地再走一遍。
我们放了个真实项目里72KB的指导文件进去，结果不出所料，两边每轮对话的token数都暴涨了两万多。这玩意儿像个沉重的锚，一旦挂上，每问一句话都要拖着你跑一遍全程。更坑的是，我们还发现Claude Code有时候会装瞎，它只认名叫CLAUDE.md的文件，对AGENTS.md视而不见，除非你手动改个名。这意味着你可能在项目里放了一堆指导文件，自认为安排得明明白白，结果人家压根没读，而你还得为这些它没读的文件反复花钱，这找谁说理去？
所以，先搞清楚你的助手到底听谁的指挥，不然你的配置文件就是个昂贵的摆设。
MCP服务器是越多越贵
现在流行给AI挂载各种MCP服务器，什么邮件日历、任务管理、数据分析，恨不得把它变成万能管家。每多挂一个服务器，就意味着要多塞进一大坨工具定义。我们试了五个小型公开服务器，两边工具数量直接翻倍，每轮对话多出五六千个token。这些公用的还算客气，要是换成生产环境里那些接口丰富的大服务器，那工具定义能再翻好几倍。
最有意思的是，Claude Code对项目里的MCP配置文件还挑三拣四，在某种模式下会无视本地配置，必须得用命令行参数硬指过去。你要是发现挂了一堆服务器但功能没生效，别怀疑，你的助手可能根本没搭理它们。但账单不会骗人，该算的token一个都没少。
所以，在给AI挂载各种神奇插件之前，先算算账，你的每一句话都要为这些插件付“出场费”，哪怕那句话只是问“今天星期几”。
手下小弟多了，花钱如流水
AI编程助手最酷炫的功能之一就是能“招小弟”，也就是派子智能体去并行干活。听起来很高效对吧？但高效不意味着便宜。我们把一个原本直接干只需要十二万token的小任务，分发给两个子智能体并行处理。结果呢？总花费直接飙升到五十一万三千token，翻了四倍多。
原因很简单，每个子智能体都有自己的进场门槛，需要重新加载一套独立的系统提示和工具集。而且当它们干完活回来，它们的整个“心路历程”，也就是对话记录，还要被当作上下文重新喂给老大哥，让老大哥汇总。这就像是你为了做顿饭，叫了两个帮厨，结果他们每人都要从头开始磨刀、洗菜、点灶台，最后还得把他们的工作过程写本书给你看。
如果哪个月的账单高得离谱，别总怪自己用得多，看看是不是你无意中“招聘”了太多免费劳动力，这账全算在你头上了。
真实场景下的恐怖故事
前面说的都是单项测试，现在我们把这些坑全填进一个真实工作环境里，看看是什么效果。
OpenCode这边挂上了十一个MCP服务器，包括邮件、日历、任务、引用管理等等，再加上那个72KB的指导文件。第一次冷启动发请求时，它一口气写了九万多个token，带着179个工具和277KB的工具定义，这时候用户连一个字都还没打。Claude Code那边虽然服务器少点，只有四个，但加上插件和同样的指导文件，也发出了七万五千token的包裹，带着118个工具。
这还只是一个请求。想想你平时跟AI来回对话几十轮，这个数字得乘以多少？所以说，助手本身决定了你花钱的基础，但你的配置决定了你账单的天花板。看着那个冰冷的数字，你只能感叹，原来在AI眼里，我那些配置文件和插件，比我本人说的话重要多了。
质量和浪费是两码事
有人可能会说，贵有贵的道理，Claude Code功能多、质量好，多花点钱不是应该的吗？但这次测试里，关键点在于质量。对于测试用的这几个任务，无论是写代码、跑测试还是修正错误，两边都完美完成了，结果没有任何区别。既然结果一样，那多出来的token就纯粹是成本差。
当然，对于更复杂的工程问题，Claude Code那套复杂的编排系统和后台代理可能确实值这个价。
但我们测出的两个现象跟质量绝对无关：
第一，在一个会话里重写一个字节完全相同的缓存前缀，对代码质量没有任何提升，但你要为这个行为付高价；
第二，配置文件助手压根没读，那这钱也花得毫无意义。不管功能多强大，多付钱应该买到更好的代码，而不是为系统的忘性买单。
最后的忠告
这一通折腾下来，最深切的感受就是，在AI编程的世界里，你以为在写代码，其实是在玩一个隐形的资源管理游戏。你的每次提问，都伴随着几十上百KB的上下文被塞进模型，而你可能连它们是什么都不知道。
最实在的建议就是，自己去门口安个监控。写个简单的代理脚本，拦在助手和模型之间，看看每次到底发了什么数据出去。检查你的助手到底读了什么配置文件，别让它假装工作。
还有，搞清楚你实际调用的到底是哪个模型版本，别让网关在中间偷梁换柱你还蒙在鼓里。下次如果看到账单又涨了，别急着怀疑自己写代码太多，很可能只是你的助手又在后台悄悄地“点亮”了整个缓存森林。