1. 先聊账单OpenAI 用量是怎么被我从烧钱砍到半价的最近翻 OpenAI 的 usage 面板发现 9 月下半月的 API 消耗比上半月少了差不多一半但我的实际开发产出并没有缩水。不是我把项目砍了而是我主动做了一轮用量瘦身。很多人对 AI 编程的印象还停留在跑一次对话烧几毛钱其实真正让账单失控的从来不是单次调用而是那些藏在流程里的重复请求和无效 token。我的做法分三层第一层是缓存命中。OpenAI 的 API 对相同前缀的提示词有自动缓存机制命中的部分按 0.5 倍甚至更低的价格计费。以前我每次跑任务都会把完整的项目说明塞进 system prompt导致前缀每次都变缓存形同虚设。后来我把恒定的项目背景和每次变化的子任务描述分开拼装让前缀尽可能稳定缓存命中率从不到 5% 拉到了 40% 上下。第二层是模型分层。不是所有请求都需要 gpt-4o 这个档位。代码补全、日志分析、简单正则生成我全部降级到 gpt-4o-mini只有涉及架构设计、多文件重构时才用满血模型。这一步对账单的影响最直接单次成本差不多降了一个数量级。第三层是提示词瘦身。我发现很多所谓详细需求里有一半是废话。删掉重复的强调、把请你帮我这类客套换成直接的指令动词、把 200 行的背景压缩成 10 行关键约束模型输出质量反而更稳。token 少了犯错的空间也少了。还有一个容易被忽略的点OpenAI 的 usage 面板自带按天、按模型、按端点拆分的统计。我每天睡前瞄一眼哪类请求异常飙升立刻就能看到。比如 9 月 22 号我有一轮自动化脚本死循环一晚上多烧了 8 美元就是靠这个面板当场发现的。用量砍半不是靠一次操作而是靠这种每天看账本的习惯持续压出来的。如果你也想控量先别急着换工具打开 usage 面板看三天数据把请求按复用价值分类你会很快找到那笔真正值得砍的开销。2. Claude Code 上手安装、登录、接入 VS Code 一套流程走完聊完账单说回最近折腾的重头戏——Claude Code。我现在的主力 AI 编程环境已经从单纯的网页对话迁移到了命令行 Agent原因很简单它能把改代码这件事从复制粘贴-手动确认变成给指令-看 diff-确认合并整个交互密度高了很多。2.1 安装和登录的几个关键动作Claude Code 的安装现在走 npm 最省事前提是你本机有 Node.js 环境。我在 macOS 和 Ubuntu 上都装过步骤完全一致npm install -g anthropic-ai/claude-code claude第一次运行会走登录流程用自己的 Anthropic 账号授权就行。有一点容易卡住如果之前装过旧版本升级时需要先卸载全局包再重装否则会出现可执行文件版本不一致的怪问题。我有一台机器就卡在命令能执行但版本号永远是旧的最后把 npm 缓存清了才解决。如果你习惯在 VS Code 里工作官方有对应的扩展装好后可以直接在编辑器里开一个 Claude Code 面板不需要来回切终端。我的体验是终端版适合大段任务的批量操作VS Code 扩展适合单文件级别的快速修改两边各有用武之地。2.2 终端执行权限它怎么直接操作你的命令行Claude Code 最让我觉得像真人开发者的地方是它可以直接执行终端命令。你让它跑一下测试看看哪里挂了它不是给你一段命令让你复制而是真的去执行然后自己读输出再继续修。这里一定要讲清楚权限边界因为很多人听到AI 能执行命令会担心它乱来。实际上 Claude Code 每条命令都会弹一个确认提示由你决定是否放行。它有几种执行模式默认模式跑相对安全的命令直接放行敏感命令弹确认。ask 模式每条命令都要你点头。YOLO 模式全部自动执行不建议轻易开。我在日常流程里用的是默认模式。风险控制思路很简单把工作目录限定在一个临时分支上AI 再怎么跑命令搞坏了也就 git checkout 的事。另外我给它配了一个规则禁止它执行删除 git 历史、强制推送这类不可逆操作这个可以通过项目的 CLAUDE.md 配置文件写死。2.3 VSCode 扩展的隐藏价值VS Code 版 Claude Code 除了面板入口还有一个小功能很好用可以直接选中一段代码丢给 Agent 分析上下文自然会带上选中内容。这比手动描述第 138 行的函数准确得多。我重构一个老模块时就是靠这个功能一次选中一个函数让 AI 生成可替换的版本改完我再看 diff效率非常可观。3. 让 Claude Code 用上 DeepSeek / Qwen / GLM 和本地模型不只是省钱这么简单很多人以为 Claude Code 只能配 Anthropic 自家模型其实这条链路是可以打通的。我最近就在折腾怎么给它接上 DeepSeek、Qwen、GLM 这些第三方模型甚至是跑在本机的 LM Studio 本地模型。这么做不只是为了省钱更多是为了把合适的事交给合适的模型。3.1 用 CC Switch 做模型切换社区里有人做了个叫CC Switch的配置管理工具主要解决的就是Claude Code 怎么连第三方接口的问题。它的思路比较直接Claude Code 本身暴露了模型网关和 API Key 的环境变量CC Switch 把这些变量按不同模板组织起来你切换配置时它自动改写环境变量文件再让你重新启动 Claude Code 生效。我实际的配置路径是安装 CC Switch。在它里面配置一个DeepSeek实例填上 DeepSeek 的 API Key模型名写成deepseek-chat或deepseek-reasoner。需要切模型时在 CC Switch 里点一下目标配置然后在终端重新运行claude。实测下来DeepSeek 的 code 能力在大多数日常任务里够用而且便宜。Qwen 和 GLM 我也都试过各自在不同场景有优势。Qwen 的中文理解更顺写中文注释和文档我比较喜欢让它来GLM 在长上下文场景表现稳一些。不是说这些模型能完全替代 Claude 的旗舰款而是说读取代码-生成固定模板代码-解释报错这类任务没必要每次都上最高规格。3.2 接 LM Studio 本地模型的细节本地模型这块我用的工具是LM Studio它能把跑在本机的模型暴露成一个兼容 OpenAI 格式的本地服务。Claude Code 接它的原理和接第三方 API 完全一样把 base URL 指到http://localhost:1234/v1key 填占位符就行。我在 LM Studio 里跑的是 Qwen2.5-Coder-7B 这类中等体积模型。说实话真让它做复杂重构会露馅但拿来生成代码片段、写测试用例、做代码翻译这类封闭性任务响应速度很快而且完全不消耗云端额度。我现在的用法是本地模型处理量大、简单、重复的脏活云端模型处理少量、复杂、需要全局理解的精细活。3.3 多 AI 协作的编排思路多模型接进来之后选模型本身成了一个新的决策点。我现在的工作流大致是第一轮让 Claude 的旗舰模型做架构分析和拆解。第二轮把拆出来的子任务交给 DeepSeek 或本地模型去做批量实现。第三轮再让 Claude 统一审查出改进建议。这个流程很像带实习生干活先自己定框架再让下面的人填细节最后自己把关质量。这样一套组合拳下来账单下来了质量也没有明显滑坡。需要提醒的是不同模型的上下文格式和工具调用能力有差异接第三方模型时最好先跑几个小任务验证一下别一上来就让它处理大仓库。4. 打磨自我优化从裸奔到顺手Claude Code 的调教日记标题里说的打磨自我优化我理解其实有两层意思一层是 Claude Code 这个产品本身在快速迭代另一层是你在使用过程中把自己和它的协作流程打磨到顺手。这个月我对它的调教主要围绕三件事项目记忆、上下文控制和踩坑记录。4.1 CLAUDE.md给 AI 写一份项目员工手册Claude Code 虽然能读取整个代码库但它不天然知道你的项目约定——比如代码风格、目录结构、测试规范、禁用词。这些信息如果你每次对话都重新解释一遍既费 token 又不完整。正确做法是写一份CLAUDE.md文件放在项目根目录Claude Code 启动时会自动加载它。我给自己维护的一份 CLAUDE.md 长这样# 项目规范 - 后端使用 Python 3.11 FastAPI前端使用 React TypeScript。 - 新功能必须配套测试文件测试放置于 tests/ 目录。 - 所有数据库操作必须走 SQLAlchemy 会话禁止裸 SQL。 - 错误信息统一通过 app/exceptions.py 中的自定义异常抛出。 - 提交信息格式type(scope): description例如 fix(auth): handle token expiry。写完这份文件之后我第一次感受到AI 越来越像团队里的人。它生成的代码会自动遵守目录约定甚至写提交信息的时候都会按我规定的格式来。这个文件本身就是你长期沉淀下来的项目知识库值得反复维护。4.2 上下文控制别让 Agent 变成金鱼记忆Claude Code 的实际可用上下文比网页版宽松不少但它也有上限。我踩过一个典型坑第一次跑一个大型重构时我不断让它继续结果它越答越飘最后开始编造不存在的接口名。后来我意识到那不是 AI 变笨了而是上下文太长之后它把早期内容遗忘了。现在我会主动切分任务一次只让它处理一个模块做完的成果固化到代码里之后再开新一轮对话处理下一个模块。中途如果确实要连续处理多个文件我会用/compact压缩历史把关键结论提炼成摘要后再继续。这个动作对长任务的稳定性提升非常明显。4.3 我踩过的几个坑这段记录几个真实遇到过的坑都是网上不常被提到的。第一个是subscription 权限问题。有一台新机器登录时一直报 your organization has disabled claude subscription access for claude code。查了半天发现是公司组织策略的问题跟本地配置无关需要管理员在后台放开 Claude Code 的访问权限或者改用个人账号登录。第二个是可选依赖缺失。安装 Codex 之类的工具链时经常看到 missing optional dependency openai/codex-win32-x64 这类提示然后在 Windows 上装了一半就跑不动。这种情况一般出现在 npm 包的平台相关依赖没装全可以手动执行npm install openai/codex-win32-x64补齐或者在 WSL 环境里跑绝大多数依赖问题会消失。第三个是版本迭代导致的行为变化。Claude Code 升级很勤有时升级后之前的习惯性用法会变。比如在线升级只对特定渠道推送我在 Ubuntu 上遇到过版本停留在旧版的问题解决方法是直接重新装一遍保证走全局最新版本。这些坑单独看都挺小但每个都能卡掉你一两个小时。把它们记录下来本身就是在打磨自我优化——不仅优化工具也优化你自己排查问题的路径。5. 一周账单复盘成本、效率与这套工作流的边界这一周我把上面的策略用在了真实项目上简单做个复盘。工作内容本身不复杂给一个内部工具加批量数据处理功能涉及 API 设计、数据校验、单元测试和文档更新。全程用 Claude Code 执行部分子任务走 DeepSeek。从数据上看效果符合预期单周总 token 消耗比之前用纯网页对话 手动改代码下降了不少。因为缓存命中率高了实际费用降幅比 token 降幅更明显。本地模型分摊了一部分简单请求云端的压力进一步减轻。从花费时间上看原本需要我动手改两小时的小模块现在大多数能在二十分钟内完成我只需要 review diff 和做最终调整。不过也有几个明显的边界。第一AI 熟手的效率增益最大。如果你本身对代码库不熟、看不懂 AI 改了什么让 Agent 大改代码风险很高。它适合的是你清楚想要什么结果的人而不是完全把项目扔给 AI 的人。第二长上下文仍是最贵的资源。大仓库的全局重构Agent 依然会迷失方向。我现在的应对是缩小改动粒度、强化 CLAUDE.md 约束必要时手动拆任务效果比硬调上下文要好。第三第三方模型的代码能力各有偏科。DeepSeek 的性价比确实能打但它的工具调用细节偶尔会和 Claude 原生约束不兼容。接第三方模型前最好先建一个冒烟测试目录专门用来验证它能不能正确读写文件、执行命令。对我来说AI 写代码这个事已经不再是什么新鲜概念真正值得花时间的是把工具链打磨成适合自己节奏的形态。从 OpenAI 用量砍半到 Claude Code 的自我优化折腾的本质不是追新而是让你手里的每一分钱、每一个 token 都花在真正有价值的地方。如果你也在用类似的 AI 编程工作流建议你也翻一翻自己的账单和配置大概率能找到几个值得优化的细节。