Claude API 用量要先看 Usage 頁判斷你用了多少，再看 Billing 頁確認還剩多少 credits，而單次請求最重要的是 input tokens、output tokens、cache creation input tokens、cache read input tokens 這 4 個欄位。 Anthropic 官方的 Claude Console 成本與使用報告文件明確說明，Usage 頁會顯示依模型、日期時間與 API key 的詳細用量拆解，Billing 則用來追蹤 credits 與自動加值；另外，API usage 是預付 credits 制，不是聊天訂閱的一部分。 很多人開始用 Claude API 之後，第一個卡住的不是「怎麼呼叫 API」，而是「後台那些數字到底在看什麼」。明明有看到 token、有看到 usage、有看到 billing，甚至也看到 input、output、cache read、cache creation，但就是很難一眼判斷：我這次到底花了多少、是不是正常、哪裡還有優化空間。你原本草

Claude Code 的 AI Token 會燒很快，通常不是因為你問太多，而是因為 context 太長、模型選太貴、任務明明很小卻用了過高 effort。 如果沒有先管理 slash command、模型選擇、input token 與 output token 的成本差異，再加上 repo 結構本身又不夠乾淨，Claude Code 很容易在你還沒注意到之前，就把 AI Token 成本一路拉高。真正有效的省法，不是單純少打字，而是控制 context、選對模型、調整 effort，並減少 AI 不必要的讀取、推理與修改。 這也是很多人在用 AI Coding 工具時最常忽略的地方。表面上看起來只是請 Claude Code 幫忙改幾個檔案，但實際上它每次都可能重讀前面的對話、目前的 repo 內容、相關檔案上下文，以及你現在這一輪的新指令。前面的任務拖得越長、聊天越雜、模型越高階、輸出越長，AI Token 成本就會一起變高。也因此，Claude Code 的省 Token 關鍵，其實更接近一套工作流管理，而不是一般聊天習慣調整。 Cl

AI Token 常見問題 之所以一直被搜尋，通常不是因為大家完全沒聽過 Token，而是因為多數人在開始接觸 AI API 之後，會很快卡在同一批名詞上： Input、Output、Cache、System Prompt、Context Window、Reasoning 。這些詞看起來都像有點懂，但一碰到定價頁、Billing 後台、模型文件或實際 API 設定時，又很容易全部混在一起。 這種情況很正常。因為 OpenAI、Google Gemini、Anthropic 雖然都把 Token 當成模型處理內容的基本單位，但在 token 切分、計費欄位、快取、多模態輸入與推理機制 上，實作方式並不完全一樣。也就是說，你以為自己只是在搞懂一個名詞，實際上是在同時理解不同平台的使用規則。 這篇不會再寫成一篇泛泛的大總文，也不會和 AI Token 使用教學主戰頁互打，而是直接聚焦在一個更明確的問題： 新手第一次接 AI API 時，最常卡住的 AI Token 問題到底有哪些？ 把這 20 題看完，你通常就能更快分清楚哪些是基本概念、哪些和價格有

很多人第一次接觸 AI Token 時，最常見的狀況不是「完全不懂 AI」，而是明明已經開始用了，卻還是搞不清楚：Token 到底是什麼、怎麼算、為什麼同一段內容在不同平台數字不一樣、價格表該看哪裡、又要怎麼做成本控制。這很正常，因為 OpenAI、Google Gemini、Anthropic 都是用 Token 當模型處理內容的基本單位，但各家在計價欄位、快取、推理（Thinking）與多模態處理上的規則並不完全相同。 這篇會把最實用的部分一次整理好：先帶你看懂 AI Token 是什麼，再說明怎麼計算、怎麼看價格表、最後整理新手最值得先做的省成本方法。看完之後，你通常就能讀懂大部分 AI API 定價頁和用量後台。 AI Token 是什麼？先把最基本的定義看懂 OpenAI 官方把 Token 定義為模型處理文字時的基本組成單位；Google Gemini 也明說模型是以 Token 這個粒度處理 Input 和 Output。 對於英文來說，一個經驗值是 1 Token 大約等於 4 個字元 。但更重要的是，Token...

很多人第一次遇到 AI API 跑不動、訊息送不出去、突然出現 quota 或 rate limit 錯誤時，心裡的第一個反應通常都是： 是不是我的 AI Token 不夠用了？ 這個直覺不算錯，但真正麻煩的地方在於， 「AI Token 不夠用」其實常常不是單一問題。 有時候是真的額度或 credits 用完，有時候是每分鐘請求太快，有時候是你撞到帳戶的月花費上限，有時候則是你還停留在 free tier、模型權限不夠，甚至是你帶進去的上下文太長，讓一次請求本身就超過模型可接受範圍。OpenAI、Anthropic、Google 的官方文件都把這些限制拆成不同種類來管理，而不是統稱成一個「沒 Token 了」。 所以如果你現在最想知道的是： AI Token 不夠用要先看哪裡？ 為什麼我明明還有額度，卻還是不能跑？ 是 credits 問題、rate limit 問題，還是模型限制問題？ 那這篇文章就是用最白話、但不失準的方式，幫你把排查順序整理清楚。 先講結論：AI Token 不夠用，先不要急著補值，先分清楚是哪一種限制 這篇最重要的一句話

很多人第一次打開 AI API 後台，最常出現的反應不是「原來這麼清楚」，而是： 怎麼一堆數字都像很重要？到底要看 input、output、cached，還是 spend、quota、TPM？ 這個問題非常正常。因為現在主流平台的後台，不再只顯示一個總用量，而是會把 Token 用量、費用、快取、速率限制、專案配額 拆成不同維度。 OpenAI 的新 API Usage Dashboard 可以看 usage 與 cost，還支援 1 分鐘粒度的 TPM 檢視 ；Anthropic 會把 spend limits、RPM、ITPM、OTPM 分開管理；Google Gemini 也把 quota、system limits、input/output token、context caching 與 storage 拆開處理。 所以如果你想先記住一句話，最簡單的版本就是： 看帳單，先看 output。看長對話或知識庫，先看 input 和 cache。看系統會不會卡住，先看 quota、RPM、TPM。 這篇文章不是要重講 input、out