# 策展 · X (Twitter) 🔥🔥🔥🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：Pi (@pidotdev) · 平台：X (Twitter) · 日期：2026-07-13

> 原始來源：https://x.com/pidotdev/status/2076408557486883303

## 中文摘要

Pi 團隊表示 Pi Coding Agent 開箱只送出不到 1.2k token，並援引 Systima 實測對照：Claude Code 基礎開銷約 33k token、OpenCode 約 7k。

**實測數據分析**
根據 Systima 的研究報告，Claude Code 與 OpenCode 在相同任務下的 token 消耗存在巨大落差：

- **基礎開銷（Baseline Overhead）：** 在執行簡單任務時，Claude Code 僅在系統 prompt、tool schemas 與初始化 scaffolding 的開銷就高達約 33,000 token，而 OpenCode 僅需約 7,000 token。
- **快取效率（Cache Efficiency）：** OpenCode 的請求前綴在多次執行中保持位元組一致（byte-identical），能有效利用快取；反觀 Claude Code 會在對話中頻繁重寫數萬個快取 token，導致快取寫入量最高可達 OpenCode 的 54 倍。
- **配置膨脹（Config Bloat）：** 若專案中包含如 `AGENTS.md` 等大型指令文件，每項請求會額外增加約 20,000 token；若再掛載 5 個 MCP 伺服器，則會再多出 5,000 至 7,000 token。這意味著使用者尚未輸入任何指令前，系統可能已消耗 75,000 至 85,000 token。
- **任務執行策略：** 雖然 Claude Code 在處理多步驟任務時，因能將多個 tool calls 合併為單次請求而縮小了總體消耗差距，但在處理子 Agent（subagents）任務時，由於每個子 Agent 都有獨立的啟動成本，總 token 消耗會急劇攀升。

**技術觀點**
Systima 的測試透過在 harness 與模型端點之間插入代理（proxy）進行攔截，確保了數據的真實性。研究強調，在生產環境中運作 Agentic AI 時，了解系統實際發送的內容至關重要，特別是在歐盟 AI 法案（EU AI Act）第 12 條要求記錄並理解系統行為的背景下，開發者應依賴數據而非經驗法則來評估成本與效能。

## 標籤

Claude Code, CLI, Benchmark, 研究論文, Pi, Anthropic, Claude Code, OpenCode