Saltar al contenido principal

Reduce tu uso de tokens (y su coste)

Intermedio

Pagas por cada token que entra y cada token que sale. La buena noticia: la mayoría de las cargas de trabajo reales arrastran peso muerto: prompts de sistema hinchados, contexto reenviado, respuestas verbosas, el modelo equivocado para una tarea fácil. Recorta eso y la factura baja sin tocar la calidad. Esta página es el kit de herramientas para usuarios avanzados, ordenado aproximadamente por palanca de impacto.

What you'll learn
  • Dónde se fugan realmente los tokens: entrada vs. salida vs. contexto reutilizado
  • El estilo escueto / 'cavernícola': qué ahorra de verdad y dónde se vuelve en contra
  • Caché de prompts y procesamiento por lotes para un ahorro estructural euro a euro
  • Ajustar el modelo al tamaño justo (Haiku para tareas baratas) y salida estructurada en vez de prosa
  • Medir antes de desplegar con el endpoint de conteo de tokens

Primero, localiza adónde van los tokens​

Antes de optimizar, divide tu gasto en tres cubos: cada uno tiene una solución distinta.

Los tres cubos de tokens
Term shown.
1 / 3

Las soluciones encajan limpiamente: cachea el contexto reutilizado, recorta la entrada, acorta la salida, ajusta el tamaño del modelo y agrupa por lotes lo que no sea urgente.

El estilo escueto / "cavernícola" (ahorro en la salida)​

El truco viral consiste en decirle a Claude que elimine el relleno y responda en fragmentos, popularizado por la skill de código abierto caveman para Claude Code (con licencia MIT, de Julius Brussee), cuyo eslogan es "por qué usar muchos token cuando pocos token hacen truco". Fuerza frases cortas, verbos en infinitivo y cero cortesías.

La conclusión honesta de las pruebas independientes: el estilo no cuesta nada en cuanto al contenido (el código, los términos técnicos y el JSON se mantienen exactos), pero el ahorro depende por completo de tu línea de base. Si tus prompts ya dicen "sé conciso", la mayor parte de la ganancia ya está conseguida. Las grandes reducciones (40-65 %) aparecen en respuestas con mucha explicación; la extracción estructurada apenas se mueve.

Bloque de instrucciones escueto: pégalo en tu prompt de sistema

Answer terse. Cut filler, hedging, and pleasantries.
Drop articles (a/an/the) and softeners (just, really, basically, actually).
No preamble, no restating the question, no "happy to help."
Fragments are fine. Keep technical terms and code blocks exact.
Pattern per point: [thing] [action] [reason]. Next step if any.
Pro tip
  • Pon la regla de concisión una sola vez en el prompt de sistema, no en cada turno del usuario: repetirla vuelve a pagar el coste de entrada en cada llamada.
  • Nunca comprimas código, identificadores, JSON ni números. Comprime solo la prosa.
  • 'Sé conciso. Devuelve solo JSON.' es por sí mismo ~60 % del ahorro de salida alcanzable: escríbelo antes de recurrir a trucos más sofisticados.
Watch out
  • El estilo escueto recorta SOLO la salida. No hace nada por un prompt de sistema de 20k tokens que reenvías en cada llamada: eso es un problema de entrada/caché.
  • En tareas con razonamiento extendido, los tokens de razonamiento no se ven afectados; solo reduces la respuesta final visible.

Cachea el prefijo reutilizado (ahorro en la entrada)​

Si muchas llamadas comparten un bloque grande e invariable (un prompt de sistema extenso, un catálogo de herramientas, un documento de referencia), la caché de prompts lo procesa una vez y lo reutiliza a una fracción del precio de entrada en cada llamada posterior. Este es el cambio estructural de mayor palanca para cargas de trabajo de chat y de agentes, porque rinde en cada turno.

La única regla: el prefijo cacheado debe ser idéntico byte a byte en todas las llamadas. Una marca de tiempo perdida o una lista de herramientas reordenada cerca del principio reduce silenciosamente tu tasa de aciertos a cero. La mecánica completa, el fragmento de cache_control listo para copiar y pegar, y cómo verificar los aciertos están en Caché de prompts y optimización de costes.

Guided walkthrough1 of 3
  1. Mueve el prompt de sistema, las herramientas y los documentos al principio; deja el turno cambiante del usuario al final.

Recorta el contexto que envías​

La caché reutiliza el contexto de forma barata, pero el token más barato es el que nunca envías. Audita lo que hay realmente en la ventana:

  • Poda el prompt de sistema. Los bloques de instrucciones largos acumulan basura. Elimina los ejemplos que ya no justifican sus tokens; quédate con un ejemplo bueno antes que con cinco mediocres.
  • Recupera, no vuelques. En lugar de pegar un documento entero, trae solo los pasajes relevantes (RAG). Enviar un PDF de 50 páginas para responder una sola pregunta es el desperdicio más común.
  • Compacta las sesiones largas. Cuando una conversación crece, reemplaza los turnos antiguos por un breve resumen acumulado en lugar de arrastrar cada mensaje para siempre. El historial son tokens de entrada que vuelves a pagar en cada llamada.
  • Ajusta el catálogo de herramientas. Cada definición de herramienta son tokens de entrada en cada solicitud. Expón solo las herramientas que necesita la tarea actual.

Ajusta el modelo al tamaño justo​

No pagues tarifas de Opus por una tarea de nivel Haiku. La clasificación, la extracción, el formateo simple y el enrutamiento suelen funcionar muy bien en el modelo más pequeño a una fracción del precio por token. Reserva los modelos más grandes para el razonamiento genuinamente difícil, y considera el enrutamiento: un modelo barato maneja la mayoría fácil y solo escala los casos difíciles. Mira Elegir un modelo y Tokens, contexto y precios para conocer los compromisos.

Prefiere la salida estructurada antes que la prosa​

Pedir JSON (u otro esquema ajustado) en lugar de un párrafo explicativo recorta tokens de salida y elimina las conjeturas de parseo aguas abajo. Decirle a Claude que devuelva solo un objeto compacto como {"label": ..., "score": ...} genera una fracción de los tokens de una respuesta charlatana, y te ahorras por completo el preámbulo "Aquí está el resultado:". Los detalles están en Salida estructurada.

Agrupa por lotes lo que no sea urgente​

Para trabajo sin conexión en el que no necesitas una respuesta en segundos (evaluaciones, clasificación masiva, etiquetado de conjuntos de datos, resumir un archivo), la Message Batches API de Anthropic ejecuta solicitudes de forma asíncrona con un descuento del 50 % tanto en tokens de entrada como de salida, con resultados que normalmente se devuelven en 24 horas.

Combina esto con la caché y un modelo del tamaño justo y el descuento conjunto en un trabajo grande sin conexión es espectacular.

Mide, no adivines​

Optimiza contra números, no contra intuiciones. El endpoint de conteo de tokens de Anthropic devuelve el recuento exacto de tokens de entrada de una solicitud antes de enviarla (con la misma forma que una llamada de Messages) y es gratuito (con límite de tasa). Úsalo para comparar un prompt hinchado con uno recortado, para tomar decisiones de enrutamiento de modelos y para mantener los prompts dentro de la ventana de contexto.

Cuenta los tokens antes de enviar (SDK de Python)

import anthropic

client = anthropic.Anthropic()

resp = client.messages.count_tokens(
  model="claude-opus-4-8",
  system="You are a scientist",
  messages=[{"role": "user", "content": "Hello, Claude"}],
)
print(resp.input_tokens)  # exact input count, no charge for counting
Pro tip
  • No uses el tokenizador de otro modelo (p. ej. tiktoken): los recuentos difieren según la familia de modelos. Usa el endpoint de Anthropic.
  • Los tokenizadores más nuevos pueden producir ~30 % más tokens para el mismo texto que los modelos antiguos: vuelve a contar al migrar, no reutilices estimaciones viejas.
  • Lee input_tokens, cache_read_input_tokens y output_tokens del uso de la respuesta para confirmar que el ahorro se materializó en producción.

Mira Tokens, contexto y precios para conocer las reglas de conteo y la fórmula de estimación de costes.

Un antes/después, de principio a fin​

Un asistente de clasificación de tickets de soporte ejecuta el mismo prompt de sistema de 4.000 tokens + catálogo de herramientas en cada ticket y escribe una respuesta charlatana de 600 tokens.

Guided walkthrough1 of 4
  1. ~4.000 tokens de entrada reenviados a precio completo en cada llamada + ~600 tokens de salida verbosos, en un modelo grande. Nada cacheado, síncrono, respuestas en prosa.

Cada palanca es multiplicativa: entrada cacheada × modelo más pequeño × salida más escueta × descuento por lotes se combinan en una reducción total grande, mientras que la calidad de la respuesta en esta tarea fácil no cambia. Mide cada paso con count_tokens para poder demostrar la ganancia en lugar de suponerla.

Ponte a prueba

0/4
  1. El estilo 'cavernícola' / escueto reduce principalmente ¿qué tokens?
  2. Reenvías el mismo prompt de sistema de 10k tokens en cada llamada. ¿La mejor solución?
  3. ¿Qué carga de trabajo encaja mejor con el descuento del 50 % de la Message Batches API?
  4. ¿Cómo deberías verificar que un cambio en el prompt realmente ahorró tokens?
Key takeaways
  • Divide el gasto en entrada, salida y contexto reutilizado: cada cubo tiene una solución distinta.
  • El estilo escueto / 'cavernícola' recorta solo la salida; las ganancias son grandes en prosa y pequeñas en tareas estructuradas ya concisas.
  • Cachea el prefijo estable (idéntico byte a byte) para un ahorro de entrada euro a euro en cada llamada.
  • Recorta el contexto, ajusta el tamaño del modelo y prefiere JSON antes que prosa: ganancias baratas y acumulativas.
  • Agrupa por lotes el trabajo no urgente para un descuento del 50 %, y mide siempre con count_tokens en lugar de adivinar.

Fuentes y lecturas adicionales​

Siguiente​