Wie Sie Ihre Claude API Kosten senken (Opus 4.8 und Fable 5)

Ihre Claude-Rechnung besteht größtenteils aus Eingabetoken, nicht aus Ausgabetoken. Die API ist zustandslos, sodass Sie bei jeder Runde den gesamten Konversationsverlauf erneut senden: den System-Prompt, die Tool-Definitionen, die von Ihnen eingefügten Dokumente und jede vorherige Nachricht. In einer langen Agenten-Schleife oder einer Claude Code-Sitzung sammelt sich dieser erneut gesendete Kontext schnell an, und Sie zahlen bei jeder einzelnen Anfrage dafür. Die Ausgabe ist der kleinere Teil der Rechnung.

Die Hebel, die Ihre Rechnung tatsächlich beeinflussen, sind also diejenigen, die das, was Sie senden, verkleinern, den Pro-Token-Preis senken oder Sie daran hindern, überflüssigen Kontext erneut zu senden. Dieser Leitfaden behandelt die konkreten Ansätze, zuerst die von Erstanbietern, dann einen Drittanbieter-Proxy (pxpipe), der einen anderen Ansatz verfolgt, und schließlich, wo eine Mock-API sinnvoll ist, während Sie noch entwickeln.

Wenn Sie zuerst die Grundlagen der Preisgestaltung verstehen möchten (wie die Abrechnung funktioniert, was ein Token ist, wie Caching und Batching abgerechnet werden), deckt unser Claude API Kosten-Erklärer dieses Thema ab. Dieser Beitrag konzentriert sich darauf, die Rechnung zu senken, daher werden wir die Preistheorie nicht ausführlich wiederholen.

Hebel 1: Prompt-Caching

Prompt-Caching ist die gewinnbringendste Änderung für die meisten Agenten-Workloads. Sie markieren ein stabiles Präfix (System-Prompt, Tool-Definitionen, lange Referenzdokumente) als cachefähig, und Claude speichert es. Bei der nächsten Anfrage, die mit denselben Bytes beginnt, lesen Sie aus dem Cache, anstatt den vollen Eingabepreis für die erneute Verarbeitung zu zahlen.

Die wirtschaftlichen Vorteile sind beträchtlich. Cache-Lesevorgänge kosten etwa das 0,1-fache des Basis-Eingabesatzes, sodass Sie bis zu ~90 % des gecachten Teils einsparen. Cache-Schreibvorgänge kosten mehr als ein normales Eingabetoken: das 1,25-fache für die 5-Minuten-TTL oder das 2-fache für die 1-Stunden-TTL. Dieser Schreibaufschlag ist der Grund, warum Caching sich nur auszahlt, wenn Sie das Präfix wiederverwenden. Die Gewinnschwelle liegt bei etwa 2 Anfragen für den 5-Minuten-Cache und etwa 3 für den 1-Stunden-Cache. Wenn ein Präfix einmal verwendet und dann verworfen wird, kostet Caching Sie Geld; wird es Dutzende Male verwendet, ist es nach dem ersten Schreibvorgang nahezu kostenlos.

Der Haken ist, dass Caching eine Präfix-Übereinstimmung auf Byte-Ebene ist. Jede Änderung innerhalb des gecachten Bereichs macht diesen ungültig und erzwingt einen neuen Schreibvorgang zum vollen Preis. Der übliche Übeltäter ist eine Variable, die sich in den „stabilen“ Teil einschleicht: ein Zeitstempel im System-Prompt, eine Sitzungs-ID, ein Anfragezähler, eine neu sortierte Tool-Liste. Für Sie sieht es stabil aus, wird aber vom Cache als neue Bytes gelesen.

Überprüfen Sie, ob das Caching tatsächlich funktioniert. Lesen Sie usage.cache_read_input_tokens in Ihren Antworten. Bei wiederholten Anfragen, die ein Präfix teilen, sollte diese Zahl groß und ungleich Null sein. Wenn sie bei Null bleibt, ändert sich bei jedem Aufruf etwas in Ihrem Präfix, und Sie zahlen den vollen Preis, während Sie glauben, dass Sie gecacht sind. Für die Mechanik, was und warum gecacht wird, siehe was Prompt-Caching ist und wie es funktioniert.

Hebel 2: Das Modell richtig dimensionieren

Die häufigste Überausgabe ist die Verwendung eines größeren Modells, als die Aufgabe erfordert. Claude bietet eine klare Preisstaffelung, und das Routing nach Aufgabe, anstatt sich auf ein Modell zu beschränken, führt oft zur größten Kostensenkung.

Hier ist die aktuelle Preisgestaltung pro 1 Million Token:

Einige Dinge, die aus dieser Tabelle hervorgehen. Fable 5 kostet das Doppelte von Opus 4.8, sowohl bei der Eingabe als auch bei der Ausgabe, was es zum teuersten weit verbreiteten Modell macht. Opus 4.8 bietet ein volles 1M-Token-Kontextfenster ohne Aufpreis für langen Kontext, sodass Sie nicht extra zahlen müssen, wenn Sie ihm eine große Codebasis zuführen. Sonnet 5 läuft bis zum 31.08.2026 zu einem Einführungspreis von 2 $/10 $, danach steigt es auf 3 $/15 $. Haiku 4.5 ist die Untergrenze bei 1 $/5 $, mit einem kleineren 200K-Fenster.

Passen Sie das Modell an die Aufgabe an:

• Fable 5 für die anspruchsvollste Langzeit-Argumentation, bei der die zusätzliche Kapazität tatsächlich das Ergebnis verändert. Die standardmäßige Verwendung von Fable, wenn Opus die Aufgabe erledigt hätte, ist der häufigste Weg, wie Teams ihre Rechnung ohne Grund verdoppeln.
• Opus 4.8 für die meisten agentischen und Codierungsaufgaben. Es ist die sinnvolle Standardeinstellung für Claude Code und Tool-intensive Schleifen.
• Sonnet 5 für Produktionsverkehr mit hohem Volumen, wo Sie gute Qualität zu einem niedrigeren Preis benötigen.
• Haiku 4.5 für einfache oder geschwindigkeitskritische Aufgaben: Klassifizierung, Extraktion, Routing, kurze Antworten.

Ein Abrechnungsdetail zu Fable 5: Wenn ein Sicherheitsklassifikator eine Anfrage ablehnt, kann der Beta-Parameter fallbacks diese Runde an Opus 4.8 umleiten, und die umgeleitete Runde wird zu Opus-Tarifen abgerechnet. Das ist normalerweise ein Rabatt, keine überraschende Gebühr, aber es ist gut zu wissen, dass Ihr Fable-Traffic Opus-Preiszeilen anzeigen kann.

Für detailliertere Kostenaufschlüsselungen der beiden teuren Stufen, siehe Opus 4.8 Preisgestaltung, Fable 5 Preisgestaltung und den direkten Vergleich von Fable 5 vs. Opus 4.8, um zu beurteilen, wann sich der doppelte Preis lohnt. Wenn Sie die Top-Stufen während der Evaluierung zu geringen oder keinen Kosten ausprobieren möchten, behandeln wir die kostenlose Nutzung von Opus 4.8 und den direkten Aufruf der Fable 5 API.

Hebel 3: Batch-API (50% Rabatt)

Wenn Ihre Arbeit keine Echtzeitantwort benötigt, halbiert die Batch-API jedes Token. Sie senden Jobs an /v1/messages/batches, diese werden asynchron ausgeführt und Sie erhalten Ergebnisse zurück. Die meisten Batches sind innerhalb einer Stunde abgeschlossen; die Obergrenze liegt bei 24 Stunden. Der 50%ige Rabatt gilt für die gesamte Token-Nutzung des Batches, sowohl für Eingabe als auch für Ausgabe.

Der Anwendungsbereich ist eng, aber wertvoll. Batch ist für Aufgaben, auf deren Ergebnis Sie warten können:

• Ausführen von Evaluierungen über einen Testsatz.
• Massenklassifizierung oder -extraktion über einen Rückstand.
• Nachträgliches Befüllen von Zusammenfassungen, Tags oder Metadaten, die an Einbettungen angrenzen, für bestehende Datensätze.
• Jeder große Offline-Job, bei dem Ihnen ein paar Minuten Latenz nichts kosten.

Wenn die Hälfte Ihrer Claude-Ausgaben aus nächtlichen Verarbeitungen besteht, die Sie derzeit über den synchronen Endpunkt laufen lassen, führt die Umstellung auf Batch zu einer direkten 50%igen Reduzierung dieser Hälfte ohne Qualitätseinbußen. Es ist der günstigste Gewinn auf dieser Liste, da der einzige Kompromiss die Latenz ist, die Sie ohnehin nicht genutzt haben.

Hebel 4: Aufwand, max_tokens und count_tokens optimieren

Drei Einstellungen steuern, wie viel eine einzelne Anfrage kosten kann, und deren bewusste Anpassung verhindert, dass die Kosten steigen.

Aufwand. Der Parameter output_config.effort akzeptiert low, medium, high, xhigh oder max. Er steuert, wie viel das Modell nachdenkt, bevor es antwortet, und Denk-Tokens werden abgerechnet. Geringerer Aufwand bedeutet weniger Denk- und Ausgabetoken. Viele Aufgaben, die aus Gewohnheit auf high ausgeführt werden, liefern dieselbe Antwort bei medium oder low für weniger Geld. Testen Sie ein oder zwei Stufen tiefer und prüfen Sie, ob die Qualität erhalten bleibt.

max_tokens. Dies ist eine harte Obergrenze für die Ausgabe. Es senkt nicht die Kosten einer Antwort, die ohnehin kurz gewesen wäre, aber es begrenzt den Fall, in dem das Modell Amok läuft: ein Modell, das sich entscheidet, einen 4.000-Token-Aufsatz auszugeben, obwohl Sie ein JSON-Objekt wollten. Setzen Sie es auf eine sinnvolle Grenze für die Aufgabe, damit eine einzelne ausführliche Antwort keinen Posten in Ihrer Rechnung sprengen kann.

count_tokens. Schätzen Sie die Kosten, bevor Sie senden. Der count_tokens-Endpunkt sagt Ihnen genau, wie viele Eingabetoken eine Anfrage kosten wird, unter Verwendung von Claudes eigenem Tokenizer. Verwenden Sie dafür nicht Tiktoken. Tiktoken ist OpenAIs Tokenizer und unterschätzt Claude um etwa 15 bis 20 %, sodass eine Budgetierung danach bedeutet, dass Ihre tatsächliche Rechnung deutlich höher ausfällt als Ihre Schätzung. Wenn Sie sich einem Budget pro Anfrage nähern, können Sie mit count_tokens einen überdimensionierten Prompt abfangen, bevor er Sie Geld kostet.

Hebel 5: Den erneut gesendeten Kontext kürzen

Da die API zustandslos ist, sendet eine lange Agenten-Schleife bei jeder Runde ihren gesamten Verlauf erneut, und der größte Teil dieses Verlaufs ist ab Runde 30 Ballast: Tool-Ausgaben, auf die Sie bereits reagiert haben, Erkundungen, die Sie hinter sich gelassen haben, Dateien, die Sie einmal gelesen haben. Sie zahlen weiterhin den vollen Eingabepreis, um all dies erneut zu senden.

Zwei serverseitige Funktionen kürzen dies für Sie:

• Kontextbearbeitung (clear_tool_uses_20250919) entfernt veraltete Tool-Ergebnisse aus dem Kontext, der erneut gesendet wird, sodass alte Tool-Aufrufe bei jeder nachfolgenden Runde nicht mehr abgerechnet werden.
• Kompression (compact_20260112) fasst ältere Verläufe in einer kürzeren Form zusammen, sodass eine lange Konversation nicht mehr ihren vollständigen Roh-Transkript mitführt.

Beide laufen serverseitig, was bedeutet, dass Sie keinen eigenen Summarizer entwickeln oder Nachrichten-Arrays manuell zerlegen müssen. Speziell für langlaufende Claude Code-Sitzungen ist dies derselbe Druck, der dazu führt, mitten in einer Aufgabe auf Kontextgrenzen zu stoßen; unser Leitfaden zu dem Claude Code Token-Fenster und Resets behandelt, wie sich das im Editor auswirkt. Die Schlussfolgerung für die Abrechnung ist einfach: Hören Sie auf, für das erneute Senden von Kontext zu bezahlen, den das Modell nicht mehr benötigt.

Weiterführend: Kontext als Bilder mit pxpipe rendern

Die Erstanbieter-Hebel verkleinern oder bewerten die von Ihnen gesendeten Token neu. pxpipe greift dieselben Eingabetoken-Kosten aus einer anderen Richtung an: Es rendert sperrigen, stabilen Kontext als Bilder, sodass er billiger tokenisiert wird.

Was es ist. pxpipe ist ein lokaler Proxy (MIT-lizenziert, in TypeScript geschrieben), der zwischen Ihrem Client und der Anthropic API sitzt. Sie richten ANTHROPIC_BASE_URL darauf aus, und er inspiziert jede Anfrage auf ihrem Weg nach draußen.

Wie es Kosten senkt. Dichter Text ist pro Token teuer. pxpipe schreibt die sperrigen, stabilen Teile einer Anfrage (System-Prompt, Tool-Dokumente, älterer Verlauf) in kompakte PNG-Bilder um, bevor die Anfrage Ihren Computer verlässt. Dichter Inhalt läuft etwa 3,1 Zeichen pro Bild-Token im Vergleich zu etwa 1 Zeichen pro Text-Token, sodass das Abbilden dieses Inhalts die Eingabetoken erheblich reduzieren kann. Das Projekt berichtet von einem Beispiel mit einem System-Prompt und Tool-Dokumenten von ~48k Zeichen, das bei etwa 2,7k Bild-Tokens im Vergleich zu etwa 25k als Text landet. Entscheidend ist, dass es Rentabilitätsschwellen verwendet: Es bildet nur Inhalte ab, bei denen die Token-Mathematik tatsächlich gewinnt, und spärliche Prosa wird unverändert als Text durchgeleitet.

Installieren und ausführen. Zwei Befehle:

npx pxpipe-proxy

Das startet den Proxy auf 127.0.0.1:47821. Dann richten Sie Claude Code darauf aus:

ANTHROPIC_BASE_URL=http://127.0.0.1:47821 claude

Modellunterstützung. Standardmäßig bildet pxpipe Anfragen für claude-fable-5 und GPT 5.6 ab. Opus 4.7/4.8 und GPT 5.5 sind optional, da das Projekt berichtet, dass sie abgebildeten Kontext merklich schlechter lesen. Sie aktivieren sie mit der Umgebungsvariable PXPIPE_MODELS (oder dem Dashboard unter der Proxy-URL). Alles andere wird unverändert durchgeleitet.

Gemeldete Einsparungen. Dies sind die vom Projekt selbst gemeldeten und Benchmarking-Zahlen, keine Zahlen, die wir unabhängig überprüft haben. pxpipe meldet einen Produktions-Snapshot von 59 % Einsparungen, eine 100-Dollar-Rechnung, die über 13.709 Anfragen auf etwa 41 Dollar sinkt, und einen SWE-bench Lite-Pilotversuch mit -65 % Anfragengröße. Behandeln Sie diese als Hersteller-Benchmarks und bestätigen Sie sie mit Ihrem eigenen Traffic.

Die ehrlichen Kompromisse. Bildgebung ist kein kostenloses Geld.

• Es interagiert mit Prompt-Caching. Bildgebung ändert die Anfragebytes, und Ihr gecachtes Präfix ist eine Byte-Übereinstimmung. Caching und Bildgebung zielen beide auf dieselben Eingabetoken-Kosten ab, sodass sie sich gegenseitig beeinflussen können: Die Änderung, die die Bildgebung zum Erfolg führt, kann die Änderung sein, die Ihren gecachten Bereich verändert. Welcher Ansatz mehr spart, hängt von Ihrem spezifischen Präfix und Wiederverwendungsmuster ab. Messen Sie beides in Ihrer eigenen Arbeitslast, anstatt davon auszugehen, dass sie sich ergänzen.
• Das Modell liest den abgebildeten Kontext durch Vision. Das Projekt selbst weist darauf hin, dass dichte Zeichenfolgen (lange Hex-IDs, exakte Token) falsch gelesen werden können und Fehlinterpretationen stillschweigend, nicht als Fehler, erfolgen. Überprüfen Sie die Ausgabequalität bei Ihren eigenen Aufgaben, bevor Sie den Einsparungen vertrauen.
• Es ist ein Drittanbieter-Proxy, der Ihren Traffic verarbeitet. Er läuft lokal, was gut ist, aber er befindet sich immer noch in Ihrem Anfragepfad. Bewerten Sie ihn anhand Ihrer eigenen Sicherheitslage, bevor Sie Produktions-Traffic darüber leiten.

pxpipe ist einen Test wert, wenn Ihr Kontext von großen, stabilen, dichten Blöcken dominiert wird und Sie die Qualität validieren können. Für spärliche oder stark Cache-freundliche Workloads können die Erstanbieter-Hebel bereits den Großteil des Gewinns erzielen.

Reduzieren Sie die Entwicklungs- und Test-Token, die Sie während des Baus verschwenden

Nichts davon ändert die Tatsache, dass Sie echte, bezahlte Token verbrennen, während Sie die Integration noch aufbauen. Apidog wird Ihre Produktionsrechnung für Claude nicht senken, und es gibt auch nicht vor, dies zu tun. Wo es Ihnen Geld spart, ist im Entwicklungs- und Testzyklus.

Jedes Mal, wenn Sie Ihre Integration während der Entwicklung gegen die Live Anthropic API laufen lassen, kostet jede Iteration echte Token: der fehlgeschlagene Lauf, der Wiederholungsversuch, der CI-Job, der bei jedem Push ausgelöst wird. Diese Ausgaben summieren sich, während Sie an der Prompt-Form, der Parsing-Logik und der Fehlerbehandlung iterieren, von denen keine ein echtes Modell zur Validierung benötigt.

Mocken Sie stattdessen die Anthropic-Antwort in Apidog. Definieren Sie den Anfrage- und Antwortvertrag für den Claude-Endpunkt, den Sie aufrufen, und richten Sie dann Ihre Tests und CI auf den Mock. Ihre Schleife läuft gegen ein deterministisches Fake, das die von Ihnen erwartete Form zurückgibt, und Sie geben null Token für die Validierung der grundlegenden Funktionalität aus. Sie können diesen Anfrage-/Antwortvertrag auch an derselben Stelle entwerfen und dokumentieren, sodass Ihr Team sich auf die Schnittstelle einigt, bevor jemand ein Token dafür ausgibt. Dies reduziert die Entwicklungs- und Test-Token, die Sie während des Baus verschwenden, nicht Ihre Produktionsrechnung. Das ist der ehrliche Umfang.

Die Hebel kombinieren

Dies ist kein Entweder-oder. Die größten Einsparungen ergeben sich aus der Kombination:

1. Das stabile Präfix cachen. System-Prompt, Tools, Dokumente. Überprüfen Sie, ob cache_read_input_tokens ungleich Null ist.
2. Nach Aufgabe routen. Opus 4.8 als Standard, Fable 5 nur dort, wo es das Ergebnis verändert, Sonnet 5 für Volumen, Haiku 4.5 für einfache Aufgaben.
3. Offline-Arbeit bündeln. Alles, was nicht latenzkritisch ist, geht an /v1/messages/batches für 50 % Rabatt.
4. Jede Anfrage begrenzen. effort richtig dimensionieren, max_tokens begrenzen, mit count_tokens schätzen.
5. Das erneute Senden kürzen. Kontextbearbeitung und Kompression, damit lange Schleifen nicht mehr für veralteten Verlauf bezahlen müssen.
6. Testen, ob Bildgebung hilft. Wenn Ihr Kontext groß und dicht ist, vergleichen Sie pxpipe mit Caching auf Ihrem eigenen Präfix.
7. Beim Bauen mocken. Halten Sie den Entwicklungs- und Testzyklus vom kostenpflichtigen Zähler fern.

Beginnen Sie mit Caching und Modell-Routing, da diese beiden normalerweise den größten Teil der Einsparungen ausmachen. Messen Sie nach jeder Änderung, denn die einzige Zahl, die zählt, ist Ihre tatsächliche Rechnung.

FAQ

Kosten Eingabe- oder Ausgabetoken auf meiner Claude-Rechnung mehr? Pro Token kostet die Ausgabe über jedes Modell hinweg mehr als die Eingabe. Aber bei Agenten- und Codierungs-Workloads ist die Eingabeseite in der Regel der größere Posten, da die zustandslose API Sie dazu zwingt, den vollständigen Konversationsverlauf bei jeder Runde erneut zu senden. Deshalb zielen die größten Hebel auf Eingabetoken ab.

Ist Prompt-Caching oder die Batch-API die größere Einsparung? Das hängt von Ihrer Arbeitslast ab. Caching spart bis zu ~90 % bei dem wiederholten Präfix des interaktiven Datenverkehrs, daher ist es vorteilhaft für Chat- und Agenten-Schleifen, die einen System-Prompt wiederverwenden. Batch reduziert alles um 50 %, aber nur für Arbeiten, die Sie asynchron ausführen können. Viele Teams verwenden beides: Caching für den interaktiven Pfad, Batch für Offline-Jobs.

Soll ich alles standardmäßig auf Fable 5 einstellen? Nein. Fable 5 kostet das Doppelte von Opus 4.8 und ist für die anspruchsvollste Langzeit-Argumentation gedacht. Für die meisten agentischen und Codierungsaufgaben liefert Opus 4.8 dasselbe Ergebnis zum halben Eingabe- und Ausgabe-Preis. Die standardmäßige Verwendung von Fable, wenn Opus ausreichen würde, ist die häufigste Überausgabe.

Lässt sich pxpipe mit Prompt-Caching kombinieren? Nicht sauber. Die Bildgebung ändert die Anfragebytes, und Caching ist eine Byte-Ebene-Präfix-Übereinstimmung, sodass beide auf dieselben Eingabetoken-Kosten abzielen und sich gegenseitig beeinflussen können. Testen Sie beides mit Ihrem tatsächlichen Präfix und messen Sie, was mehr spart; gehen Sie nicht davon aus, dass sie sich addieren.

Reduziert Apidog meine Produktionskosten für Claude? Nein. Apidog mockt die Anthropic API, sodass Ihre Tests und CI auf ein Fake treffen, anstatt bezahlte Token zu verbrennen, während Sie entwickeln. Das reduziert Ihre Entwicklungs- und Testausgaben, nicht Ihre Produktionsrechnung.