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

AI Token 看起來便宜，最後總費用卻不一定低，最常見的原因不是價格表有問題，而是你看到的是單價，真正付的是整個工作流的總成本。OpenAI、Anthropic、Google 的官方定價與文件都把成本拆成不只一層：除了 input、output，還有 cache、batch、長上下文、grounding 或其他工具費用；而 OpenAI 的模型選型原則也明確建議先以正確率達標為優先，再用更便宜、更快的模型維持相近效果。這代表真正該比的，不是「最便宜那一列」，而是「完成同一件事到底花多少」。 這篇文章不走「哪家最便宜」那條線，也不重複「AI Token 比價怎麼做」或「便宜方案怎麼找」的內容，而是專門回答一個更容易被忽略的問題：為什麼 ai token 表面單價很低，最後月帳單還是不好看。 文章重點放在總成本思維，而不是單純費率表判讀。這個角度和你站上既有的價格、比價、便宜方案文章可以分開，不會直接互打。 先講結論：AI 成本要看完成同一件事的總成本，不是只看最低單價 OpenAI 的模型選型原則寫得很清楚：先以準確率達標為優先，再去優化成本與

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

如果你最近在用 AI 做 長對話 、 多輪對話 ，很可能已經遇過這種情況： 前面聊幾輪都還好，後面明明每次只多打一小句， AI Token 卻開始越扣越快 。很多人第一次遇到這種狀況時，直覺都會以為是不是平台算錯、模型突然變貴，或是自己不小心開了什麼額外功能。 但大多數時候，真正的原因其實比較單純： 不是你最新那一句特別貴，而是模型每一輪都在重新讀越來越長的上下文。 這篇文章的重點不是廣義地講「AI Token 為什麼會扣很快」，也不是教你怎麼看後台數字，而是專門回答一個很明確的問題： 為什麼長對話會讓 AI Token 越聊越貴？ 先講最核心的答案： 長對話越到後面越花錢，通常不是因為你後面那一句比較長，而是因為每一輪都把更多前面的對話、規則、工具內容和背景資料一起送回模型。 長對話為什麼會讓 Token 越扣越快？ 最簡單的理解方式就是： 你看到的是新增一句，模型看到的是整段對話。 在多輪對話裡，模型如果要理解你現在這一句話，通常不會只看你剛剛新增的那幾個字，而是要連同前面幾輪內容一起看。OpenAI 的 conversation state

很多人開始碰 AI API 之後，第一個成本直覺通常都很簡單：是不是把模型換便宜一點就好了？ 這個想法不能說錯，但它只對了一小部分。因為 AI Token 成本真正會失控，很多時候不是因為你「選錯一個模型」，而是整個使用方式沒有設計好。你可能每次都丟太長的上下文、讓模型回太多字、重複送一樣的規則、把即時任務和可延後任務混在一起，或是明明可以快取與批次處理，卻每次都用最笨、最貴的方式跑。 所以如果你現在正在想： AI Token 到底要怎麼省？為什麼明明模型不算最貴，帳單還是高？除了換便宜模型，還有哪些真正有效的降成本方法？ 這篇文章就是要把這件事講清楚。 先講結論：真正有效的降成本，通常來自 6 件事 如果你不想先看太多細節，先記這一句就夠： AI Token 降成本最有效的方式，通常不是只換便宜模型，而是一起做任務分層、輸出控長、上下文減肥、快取、批次、流程拆分。 所以，真正成熟的省錢思路不是： 把所有任務都丟去最便宜模型。 而是： 把什麼任務該用什麼方式跑，先分清楚。 為什麼「只換便宜模型」常常不夠？ 因為模型單價只是成本的一層，真正把費用撐