AI Coding 指北开发者的 Agent 工程与 AI 编程实践站
工具库Claude Code发布于 2026/08/08作者 AI近距离已人工审核6 分钟

AI Coding Agent 总是用量见底？把 Token 优化拆成这四层

从用量监控、rtk、Caveman 到 CodeGraph：一篇补齐官方文档、最小接入方式与开源地址的 AI Coding Agent Token 优化指南。

很多人遇到 Claude Code 用量见底时，第一反应是换套餐、换模型，或者要求它“回答短一点”。但这三件事通常没有碰到真正的消耗结构：一段冗长的 git diff、一轮又一轮的全仓搜索、每次都带上的无关规则，以及写给人看的客套说明，都会进入模型的上下文或输出。

Token 优化不是单一开关，而是一条从可见性、输入、输出到检索路径的工程链路。本文聚焦四个能直接动手验证的模块：用量监控、命令输出压缩、回答压缩与代码图谱定位。项目方给出的节省比例只适合作为评估方向，实际效果仍取决于任务类型、上下文长度与团队工作流。

Token 优化四层地图

先给结论：不要一口气装齐所有工具。先用监控确定瓶颈；CLI 输出特别长再上 rtk，交付文本特别啰嗦再试 Caveman，大型仓库里反复追调用链才考虑 CodeGraph。它们不是同一种“省 token 插件”，而是在不同环节减少无效信息。

一张图看懂：token 到底花在哪

模型调用里最容易被忽略的是输入。提示词、历史对话、系统规则、加载的文件、工具返回内容，都会作为输入反复参与后续轮次；模型最终生成的解释、计划和总结，则是输出。对 coding agent 来说，输入往往还包含大段命令行输出。

环节典型浪费对应模块优先级
看不见消耗到限额才发现异常Claude Code Usage Monitor先做
工具输出进入上下文git log、测试日志、rg 结果太长rtk高
模型输出重复解释、客套话、过长总结Caveman按团队偏好
找代码的过程搜索—读文件—发现不对—再搜索CodeGraph大仓库优先
长会话与常驻规则历史和无关文档反复随请求发送Claude Code 原生命令与设置所有人都该做

这里有一个容易混淆的点：rtk 统计的“输入/输出”是 shell 命令压缩前后的 stdout，不是模型账单上的 input/output tokens。它能减少送入模型的命令输出，但并不意味着总费用会按同样比例下降；提示词、历史和模型输出仍然存在。rtk 的官方说明也明确区分了这两件事。

模块一：先把用量看见——Claude Code Usage Monitor

这不是 Anthropic 官方客户端的一部分，而是开源的本地 companion：它读取本机 Claude Code 数据，提供终端监控、预测、导出和状态栏接入。最新版还会优先使用 Claude Code statusline 传来的官方 rate_limits；拿不到时会把本地估算明确标记出来。也就是说，它适合判断“该不该收手”，不应替代你的官方账单数据。

最小使用方式如下。项目 README 推荐使用 uv 进行隔离安装：

uv tool install claude-monitor

# 终端中持续显示当前使用情况
claude-monitor

# 适合脚本或状态栏：输出一次 JSON 快照
claude-monitor --once --output json

如果要接入 Claude Code 的 statusline，按项目文档运行 claude-monitor --statusline，再把它配置为 statusline hook。它的价值不在于“替你省 token”，而在于把原本事后才知道的消耗，变成一个可以在任务进行中做取舍的信号。

模块二：少把终端废话塞进上下文——rtk

rtk（Rust Token Killer）是一个 Rust 编写的 CLI 代理。它会在 Agent 读取命令输出前压缩结果：例如把 git log 收敛到 hash、作者和标题；将测试输出聚焦在失败项；将长搜索结果按文件归组。对“工具调用很多、每次返回很多文本”的任务，这通常是最先值得试的一层。

最小验证不要直接改全局 Agent 配置。先在一个临时任务里对比原命令和代理命令：

# 按 rtk 官方安装页完成安装后
rtk git log --oneline -50
rtk rg "createClient" apps/
rtk npm test

# 查看已记录的压缩收益
rtk gain --daily

原文提到 rtk 会写入 ~/.claude/CLAUDE.md 并引用生成的 RTK.md，让 Claude Code 知道哪些命令应通过它执行。接入前最好先审阅这些规则：压缩适合探索和定位，但排障时可能恰好需要被折叠的完整日志。一个稳妥的团队策略是：默认压缩，遇到失败再显式请求原始输出。

模块三：让模型少说，不是让它少想——Caveman

Caveman 处理的是输出侧。它把回答改成短句、要点、路径和命令优先的形式，尽量删除礼貌用语、重复背景和过渡句，同时声明不会改变代码、命令与错误文本。它的 README 标示为支持 Claude Code、Codex 等多种 agent 的 skill/plugin；“可节省多少”来自项目自己的 benchmark，应视为方向性指标，而不是对任意任务的保证。

基础接入可按项目的安装页完成，再在 Claude Code 内启用：

/caveman

# 希望恢复完整叙述时，在提示词开头写：
normal mode

原文指出，该插件通过 SessionStart 和 UserPromptSubmit hooks 维持模式，因此不必每轮重复执行命令。它很适合代码审查、故障定位、改动汇总；但面向非技术同事的方案说明、需要教育性的架构讨论，反而不宜强制短输出。团队如果把它设为默认，应保留清晰的退出方式。

模块四：别让 Agent 从文件系统里猜答案——CodeGraph

CodeGraph 的方法和前两个不同：它先为仓库建立本地语义图谱，将函数、类、导入、调用链等关系变成可查询的结构。Agent 通过 MCP 先问“谁调用它”“改动影响哪些路径”，再读取少量目标文件，减少的是反复 grep 和误读文件的探索成本。

官方 README 给出的最短接入路径是三步：安装 CLI、连接 agent、为当前项目建图。

# macOS / Linux 安装脚本；执行前请先审阅远程脚本内容
curl -fsSL https://raw.githubusercontent.com/colbymchenry/codegraph/main/install.sh | sh

# 自动配置 Claude Code、Codex CLI、Cursor 等已安装 agent 的 MCP 连接
codegraph install

# 在目标仓库根目录执行，生成该仓库的图谱
codegraph init

这里的边界也很明确：codegraph install 只负责把 MCP server 接到 agent，codegraph init 才会建立项目索引。它更适合跨层调用多、多人维护、历史包袱重的仓库；一个很小的项目直接用 rg 和编辑器跳转，未必值得引入常驻索引和额外运维面。

不装插件也能立刻做的两件事

这些工具之外，参考文章中最值得保留的是两条原生工作习惯。第一，定期执行 Claude Code 的 /context，检查会话里到底装进了什么；第二，任务切换或路线改变时用 /clear 开一个干净会话。Claude Code 的成本管理文档与交互模式文档都值得和团队规则一起阅读。

更关键的是审计 CLAUDE.md：把“每次会话都加载的 @ 引用”改成“在某类任务发生时再读取的文档”。例如：

# 不建议：每次启动都装入订阅系统细节
@docs/billing-and-subscriptions.md

# 更稳：只有任务相关时才按需读取
当问题涉及订阅、退款或账单状态时，先读取 docs/billing-and-subscriptions.md。

这不是在减少知识，而是在把常驻知识改成可检索知识。尤其是团队共享配置，每一次无关加载都会被每位成员的每轮会话放大。

从哪一层开始：一份落地清单

你的症状先做什么暂时不要做什么
经常快到额度才察觉安装 Monitor，先观察一周用估算值替代官方账单
测试、日志、搜索结果很长小范围试用 rtk 并保留原始日志通道把压缩率当成实际省钱比例
Agent 每次都写很长的说明在个人任务试 Caveman在所有面向人的文档任务强制启用
反复追跨文件调用链在一个大仓库评估 CodeGraph为小仓库引入复杂索引
每个长会话都越来越慢/context、/clear 与 CLAUDE.md 审计继续把所有规则设为启动必读

真正值得记住的不是某个插件的宣传数字，而是这个顺序：先确认消耗，再定位浪费属于输入、输出还是检索路径，最后只在对应环节加工具。 对大多数团队，/context、/clear 与瘦身后的项目规则已经是零成本的第一步；当数据证明 CLI 输出或大型代码库探索才是主因时，再引入 rtk 或 CodeGraph，会比“全套安装”更可靠。

来源与开源地址

  1. 参考文章：How I Stopped Running out of Tokens
  2. Claude Code：Manage costs effectively
  3. Claude Code：Monitoring usage
  4. Claude Code Usage Monitor（GitHub）
  5. rtk（GitHub）
  6. Caveman（GitHub）
  7. CodeGraph（GitHub）

编辑注：本文的功能、命令和安装路径以链接中的官方文档与仓库为准；安装远程脚本、启用 hooks 或给 agent 配置 MCP 前，请按团队安全流程审阅其权限与脚本内容。

参考资料

  1. https://danielabaron.me/blog/how-i-stopped-running-out-of-tokens/
  2. https://code.claude.com/docs/en/costs
  3. https://github.com/Maciek-roboblog/Claude-Code-Usage-Monitor
  4. https://github.com/rtk-ai/rtk
  5. https://github.com/JuliusBrussee/caveman
  6. https://github.com/colbymchenry/codegraph

Continue Reading

相关推荐

继续阅读同一工具与主题下的实战内容。