Auf den Punkt: Anthropic zeigt in einem Blogbeitrag praktische Maßnahmen wie /clear, /context, /compact, @-Mentions und feste Modellwahl, mit denen Entwickler den Tokenverbrauch und damit die Kosten von Claude-Code-Sessions gezielt senken können.
Anthropic erklärt in einem Blogbeitrag, wovon der Preis eines Tokens in Claude Code abhängt und wie sich die Anzahl unnötig verbrauchter Tokens pro Session reduzieren lässt. Anders als bei klassischen Entwicklungswerkzeugen mit Pauschalpreis entstehen bei agentenbasierten Coding-Tools wie Claude Code für dieselbe Aufgabe je nach Arbeitsweise unterschiedlich hohe Kosten.
Anthropic vergleicht in dem Beitrag zwei Szenarien für dieselbe Fehlerbehebung: In einer Session liest Claude gezielt den Test und die betroffene Datei, nimmt die Änderung vor und ist nach wenigen Turns fertig. In einer anderen durchsucht Claude zunächst das gesamte Repository, liest dutzende Dateien auf dem Weg zu denselben zwei relevanten Stellen – und all dieser gelesene Kontext bleibt für den Rest der Konversation im Speicher, was jeden weiteren Turn verteuert. Das Ergebnis ist identisch, der Tokenverbrauch aber unterschiedlich hoch. Effizienter Token-Einsatz bedeutet laut Anthropic nicht grundsätzlich weniger Tokens, sondern dass die verwendeten Tokens tatsächlich zur gestellten Aufgabe beitragen.
Der Preis eines Tokens hängt laut dem Beitrag von drei Faktoren ab: dem verwendeten Modell, ob es sich um einen Input- oder Output-Token handelt, und ob der Token aus dem Cache bedient wurde. Ein größeres Modell verrichtet bei Input- wie Output-Tokens mehr Arbeit und ist entsprechend teurer – welches Modell für welche Aufgabe sinnvoll ist, behandelt Anthropic in einem separaten Beitrag („Choosing a Claude model and effort level in Claude Code“). Als Faustregel gilt: größere Modelle bei genuin schwierigen oder mehrdeutigen Problemen einsetzen, kleinere bei Routinearbeiten.
Für den praktischen Einsatz nennt Anthropic mehrere konkrete Maßnahmen: Zwischen einzelnen Aufgaben sollte der Befehl /clear ausgeführt werden, damit irrelevanter Kontext aus vorherigen Aufgaben nicht erneut an das Modell gesendet wird. Modell und Effort-Level sollten vor Beginn einer Session festgelegt werden, da eine Änderung mitten in der Konversation den Prompt-Cache invalidieren und dadurch die Kosten erhöhen kann. Dateien sollten per @-Mention referenziert statt nur benannt werden, da sie so direkt an die Nachricht angehängt werden und ein zusätzlicher Read- oder Suchaufruf entfällt.
Bei Befehlen mit viel Ausgabetext empfiehlt Anthropic Quiet-Flags oder die Ausführung in einem Subagenten, da die Kommandoausgabe wie eine Datei in die Konversation eingebettet wird und dort für den Rest der Session verbleibt. Der Befehl /context sollte einmal zu Beginn einer frischen Session ausgeführt werden, um zu sehen, was bereits geladen ist (etwa CLAUDE.md-Dateien oder MCP-Tool-Definitionen), damit Unnötiges entfernt werden kann. Vor längeren Pausen empfiehlt Anthropic /compact, da der Prompt-Cache nach einer Stunde abläuft und das Zusammenfassen einer Konversation günstiger ist, solange sie noch im Cache liegt.
Quelle: claude.com · Erschienen 13. August 2026
Lumi AI News — KI-assistierte Kuratierung gemaess Art. 50 EU AI Act. Paraphrase und Klassifikation durch Lumi News Pipeline v1.8.3.