La forma más barata de usar la API de Claude

El mayor ahorro suele venir de cambiar de modelo, no de optimizar. Escribe de diez a veinte entradas reales con las respuestas que aceptarías, pruébalas en el modelo pequeño y sube de nivel solo cuando falle. Clasificación, extracción, enrutamiento y resúmenes cortos suelen funcionar bien con el Claude más pequeño. Reserva el más grande para el trabajo donde equivocarse sale caro: cambios difíciles de código, análisis largos, cualquier cosa que un agente no pueda deshacer. Opus, Sonnet y Haiku incluye una tabla para decidir, y la tabla de precios muestra la distancia entre ellos.

Todo lo que envías en cada petición, como las definiciones de herramientas, un prompt de sistema, un documento de políticas o la conversación hasta ese momento, se puede leer de la caché por una pequeña fracción del precio de entrada. Añade cache_control al último bloque del prefijo estable:

response = client.messages.create(
    model="claude-sonnet-5.5",
    max_tokens=1024,
    system=[{"type": "text", "text": LONG_INSTRUCTIONS, "cache_control": {"type": "ephemeral"}}],
    messages=messages,
)
print(response.usage.cache_read_input_tokens)

Si cache_read_input_tokens vale cero en la segunda llamada, el prefijo cambió o no llega a la longitud mínima. Caché de prompts enumera las causas habituales, y para agentes y chats largos es el ahorro que más pesa.

Los tokens de salida cuestan varias veces más que los de entrada, así que una respuesta larga es lo más caro que puede hacer un modelo. Fija max_tokens en lo que la tarea necesita, pide el formato que vas a procesar (una etiqueta, un objeto JSON, tres viñetas) y añade "sin preámbulo" cuando de otro modo tendrías que recortarlo. Revisa stop_reason: si con frecuencia es max_tokens, estás cortando respuestas, y debes subir el límite o acortar la petición, no ignorarlo.

El razonamiento extendido (thinking) se factura como salida. Si la tarea no necesita razonar mucho, déjalo desactivado o elige un nivel de esfuerzo bajo, y compara las respuestas con tu conjunto de pruebas. Pagas los tokens de thinking los leas o no.

• Recupera las tres secciones relevantes, no el manual entero.
• Recorta el historial del chat a partir de cierto punto, o sustituye los turnos antiguos por un resumen corto.
• Quita las definiciones de herramientas que la petición no puede usar.
• Comprime las imágenes antes de enviarlas: los tokens de imagen crecen con la resolución.

POST /v1/messages/count_tokens te dice cuánto pesa una petición antes de pagarla. Mira la guía de la API de Anthropic.

Si un trabajo no necesita respuesta inmediata, como la clasificación nocturna de un backlog, ejecútalo fuera de hora punta y en bloque en lugar de una llamada interactiva cada vez, y mantén idéntico el prefijo compartido en todo el lote para que cada llamada, salvo la primera, lo lea de la caché.

Los pasos del 1 al 6 reducen los tokens. Este reduce el precio de cada token: Half Off Dev sirve los mismos modelos Claude con la misma API Messages de Anthropic a la mitad del precio de lista de Anthropic, tanto en entrada y salida como en lecturas y escrituras de caché. Se suma a todo lo anterior, porque multiplica la factura final. Pasarte requiere dos cambios:

export ANTHROPIC_BASE_URL=https://halfoff.dev
export ANTHROPIC_API_KEY=ho-...

Tu SDK, tus prompts, tus herramientas y tu código de streaming siguen igual. Empieza por el inicio rápido y compara con tus propios números en la calculadora.