0
2

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@kei-concierge(ケイ)

Claude Code のトークン消費を半分にした5つのテクニック

0
Posted at

Claude Code のトークン消費を半分にした5つのテクニック

月末にAnthropicの請求書を開いて「え、また？」となった経験はないだろうか。

Claude Codeは強力だ。コードを書いてくれる、レビューしてくれる、バグを直してくれる。しかしその代償として、気づかないうちにトークンが積み上がっていく。特に長いシステムプロンプトや、ファイル全体を毎回渡すような使い方をしていると、トークン消費は雪だるま式に増える。

この記事では、実際に月のトークン消費を約50%削減できた5つのテクニックを紹介する。コード例込みで説明するので、今日から即適用できる。

なぜClaudeのトークンは爆発するのか

Claude APIのコストはシンプルだ。送ったトークン数 × 単価 + 受け取ったトークン数 × 単価。問題は「送ったトークン数」が想像以上に膨らみやすいことにある。

よくある消費パターンを整理すると：

  • ファイル全体を毎回渡している: 1000行のファイルを10回渡せば1万行分のトークン
  • システムプロンプトが肥大化している: 500トークンのプロンプトを100リクエスト送ると5万トークン
  • 何でもOpusやSonnetに頼っている: 軽いタスクに高価なモデルを使うのは損
  • 同じコンテキストを繰り返し送信している: キャッシュを使えば最大90%削減できる

これらを組み合わせると、月$50-100の請求が半分以下に収まるケースは珍しくない。

詳しいコストの把握方法については、Claude Code CLIのAPIコスト、把握できていますか？ も参考にしてほしい。

5つのテクニック

テクニック1: ファイル全体でなく差分だけ渡す

最も即効性が高いのがこれだ。「このファイルのバグを直して」と言いながら1000行のファイルを渡すのは、医者に「体の具合が悪い」と全裸で診察室に入るようなものだ。必要な部分だけ渡せばいい。

Beforeの例（NG）:

以下のファイルを修正してください:
[1000行のコード全体を貼り付け]

Afterの例（OK）:

# 変更箇所のみ抽出してClaudeに渡す
git diff HEAD~1 HEAD -- "*.py" | head -200

# 特定ファイルの変更だけ見たい場合
git diff HEAD~1 HEAD -- src/api/handler.py

# より実用的な使い方: 変更ファイルを特定してから内容を渡す
CHANGED_FILES=$(git diff --name-only HEAD~1 HEAD)
echo "変更されたファイル:"
echo "$CHANGED_FILES"

# 差分のみ抽出（コンテキスト行数を3行に絞る）
git diff -U3 HEAD~1 HEAD

削減効果: ファイル全体を渡す場合と比べて、差分が10-20行程度なら 60〜70%のトークン削減 が見込める。1000行のファイルで20行の変更なら、送信トークンは98%減だ。

ポイントは「変更の意図と変更箇所だけ」をClaudeに渡すこと。ファイル全体が必要なケース（大規模リファクタリング、初回のコードレビューなど）は例外だが、日常的な修正・デバッグ作業では差分で十分なことがほとんどだ。

テクニック2: システムプロンプトを最小化する

「毎回500トークンのシステムプロンプトを送っている」という人は要注意だ。1日100リクエストなら、それだけで5万トークン/日、月150万トークンの浪費になる。

よくあるNG例:

# 毎回長いシステムプロンプトを送っている
system_prompt = """
あなたはPythonの専門家です。コードはPEP8に準拠し、型ヒントを使用し、
docstringを書き、エラーハンドリングを適切に行い、テストを書き、
セキュリティに配慮し、パフォーマンスを最適化し、可読性を高め...
[500トークン以上続く]
"""

改善策1: .claude/CLAUDE.md を活用する

Claude Codeはプロジェクトルートの .claude/CLAUDE.md を自動的に読み込む。ここに開発規約やコンテキストを書いておけば、毎回プロンプトに含める必要がなくなる。

# プロジェクトのルートに作成
mkdir -p .claude
cat > .claude/CLAUDE.md << 'EOF'
# プロジェクト概要
FastAPI + PostgreSQL構成のWebAPI。Python 3.12使用。

# コーディング規約
- PEP8準拠、型ヒント必須
- 例外はカスタム例外クラスを使用
- テストはpytestで書く

# ディレクトリ構成
src/api/    - APIエンドポイント
src/models/ - データモデル
src/services/ - ビジネスロジック
EOF

改善策2: システムプロンプトを本当に必要な最小限にする

# 最小化されたシステムプロンプト
system_prompt = "Python専門家。PEP8、型ヒント必須。簡潔に答える。"
# これだけで十分なことが多い

削減効果: システムプロンプトを500トークン → 50トークンに削減した場合、100リクエスト/日なら月約135万トークン削減。

テクニック3: モデルを使い分ける

全てのタスクにSonnetやOpusを使う必要はない。タスクの複雑さに応じてモデルを使い分けることが、コスト削減の最大の鍵の一つだ。

料金比較（2024年現在）:

モデル Input (1Mトークン) Output (1Mトークン) 主な用途
claude-haiku-4-5 $0.80 $4.00 簡単なタスク・大量処理
claude-sonnet-4-5 $3.00 $15.00 標準的な開発タスク
claude-opus-4-5 $15.00 $75.00 複雑な推論・設計

Haikuはコスト面でSonnetの約1/4、Opusの約1/20だ。「変数名を直して」「コメントを英語に翻訳して」「このエラーメッセージを改善して」といったタスクにOpusを使うのは明らかに過剰だ。

実装例: タスク複雑度に応じたモデルルーティング

import anthropic

client = anthropic.Anthropic()

# 簡単なタスク → haiku（低コスト）
def simple_task(prompt: str) -> str:
    """変数名変更、コメント追加、軽微なフォーマット修正など"""
    response = client.messages.create(
        model="claude-haiku-4-5",
        max_tokens=256,
        messages=[{"role": "user", "content": prompt}]
    )
    return response.content[0].text

# 標準的な開発タスク → sonnet
def standard_task(prompt: str) -> str:
    """機能実装、バグ修正、コードレビューなど"""
    response = client.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=2048,
        messages=[{"role": "user", "content": prompt}]
    )
    return response.content[0].text

# 複雑な推論が必要なタスク → opus
def complex_task(prompt: str) -> str:
    """アーキテクチャ設計、複雑なアルゴリズム、深い技術的分析など"""
    response = client.messages.create(
        model="claude-opus-4-5",
        max_tokens=4096,
        messages=[{"role": "user", "content": prompt}]
    )
    return response.content[0].text

# 使い分けの目安
TASK_COMPLEXITY = {
    "rename_variable": simple_task,
    "fix_typo": simple_task,
    "implement_feature": standard_task,
    "code_review": standard_task,
    "system_design": complex_task,
    "algorithm_optimization": complex_task,
}

削減効果: 従来すべてSonnetを使っていた場合、タスクの50%をHaikuに移行するだけでコストを約35%削減できる計算になる。

テクニック4: Prompt Cachingを活用する

Claude APIには Prompt Caching という機能がある。同じコンテキスト（システムプロンプト、長いドキュメントなど）を繰り返し送信する場合、最初の送信後はキャッシュから読み込まれ、キャッシュヒット時はInput料金が約90%オフになる。

コードレビューで同じシステムプロンプト（コーディング規約など）を毎回送っているなら、これは使わない手はない。

import anthropic

client = anthropic.Anthropic()

# コードレビュー用の長いシステムプロンプトをキャッシュする
def review_code(code: str) -> str:
    response = client.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=1024,
        system=[
            {
                "type": "text",
                "text": """あなたはシニアエンジニアによるコードレビュアーです。
以下の観点でレビューを行ってください：

1. セキュリティ: SQLインジェクション、XSS、認証・認可の問題
2. パフォーマンス: N+1クエリ、不要なループ、メモリリーク
3. 可読性: 変数名、関数名、コメントの適切さ
4. テスタビリティ: 依存性注入、副作用の分離
5. エラーハンドリング: 例外処理の網羅性、ユーザーへのフィードバック

問題を発見した場合は重要度（CRITICAL/HIGH/MEDIUM/LOW）と改善案を示してください。
...[長いプロンプトの場合でも、このブロックはキャッシュされる]""",
                "cache_control": {"type": "ephemeral"}  # キャッシュ有効化
            }
        ],
        messages=[
            {
                "role": "user",
                "content": f"以下のコードをレビューしてください:\n\n```python\n{code}\n```"
            }
        ]
    )
    return response.content[0].text

# 1回目: キャッシュミス（通常料金）
result1 = review_code("def login(user, pwd): ...")

# 2回目以降: キャッシュヒット（Input料金が約90%オフ）
result2 = review_code("def register(email, pwd): ...")
result3 = review_code("def logout(token): ...")

キャッシュが有効になる条件:

  • システムプロンプトが1,024トークン以上（Sonnet/Opusの場合）
  • 同じキャッシュブロックを5分以内に再利用している
  • cache_control: {"type": "ephemeral"} を明示的に指定している

削減効果: 100トークンのシステムプロンプトを100回送る場合（通常10,000トークン分の課金）→ キャッシュ有効時は1,000 + 9,000×0.1 = 1,900トークン分の課金。約81%削減。

テクニック5: バッチリクエストでAPIコールを減らす

「ファイルA、B、Cをそれぞれレビューして」と3回リクエストを送るより、1回で3ファイルをレビューさせた方が効率的なケースがある。また、Anthropic APIにはMessage Batches APIという非同期バッチ処理機能があり、通常より50%安い料金で処理できる。

同一リクエスト内で複数タスクをまとめる:

import anthropic

client = anthropic.Anthropic()

# NG: 3回の個別リクエスト
def review_files_bad(files: list[str]) -> list[str]:
    results = []
    for f in files:
        response = client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=512,
            messages=[{"role": "user", "content": f"レビュー:\n{f}"}]
        )
        results.append(response.content[0].text)
    return results

# OK: 1リクエストに複数ファイルをまとめる
def review_files_good(files: dict[str, str]) -> str:
    file_contents = "\n\n".join(
        f"### {name}\n```\n{content}\n```"
        for name, content in files.items()
    )
    response = client.messages.create(
        model="claude-haiku-4-5",
        max_tokens=1024,
        messages=[{
            "role": "user",
            "content": f"以下の{len(files)}ファイルをまとめてレビューしてください:\n\n{file_contents}"
        }]
    )
    return response.content[0].text

Message Batches APIを使った非同期バッチ処理（50%オフ）:

import anthropic
import time

client = anthropic.Anthropic()

def batch_process(tasks: list[dict]) -> list[str]:
    """複数タスクをバッチで処理（料金50%オフ）"""

    # バッチリクエスト作成
    batch = client.messages.batches.create(
        requests=[
            {
                "custom_id": f"task-{i}",
                "params": {
                    "model": "claude-haiku-4-5",
                    "max_tokens": 512,
                    "messages": [{"role": "user", "content": task["prompt"]}]
                }
            }
            for i, task in enumerate(tasks)
        ]
    )

    # バッチ完了まで待機（非同期処理）
    while True:
        batch = client.messages.batches.retrieve(batch.id)
        if batch.processing_status == "ended":
            break
        time.sleep(10)

    # 結果取得
    results = []
    for result in client.messages.batches.results(batch.id):
        if result.result.type == "succeeded":
            results.append(result.result.message.content[0].text)

    return results

# 使用例: 20ファイルのコメント自動生成を一括処理
files_to_comment = [
    {"prompt": f"このコードにdocstringを追加: def func_{i}(): pass"}
    for i in range(20)
]
results = batch_process(files_to_comment)

削減効果: バッチAPIの50%割引と、リクエストのオーバーヘッド削減を合わせると、大量処理タスクでは40〜60%のコスト削減が可能。ただしバッチ処理はリアルタイム性が不要な場合に限られる。

実際の削減効果（Before/After）

各テクニックの削減効果をまとめると：

テクニック 削減効果 適用難易度
差分だけ渡す 60〜70% ★☆☆（簡単）
システムプロンプト最小化 30〜50% ★☆☆（簡単）
モデルルーティング 30〜40% ★★☆（中程度）
Prompt Caching 50〜90% ★★☆（中程度）
バッチリクエスト 40〜60% ★★★（要設計）

全てを同時に適用する必要はない。まずは「差分だけ渡す」「モデルを使い分ける」の2つから始めるだけでも、体感できるレベルでコストが変わる。

実際の変化イメージ（月$80使っているケース）:

Before: $80/月
  - システムプロンプト肥大化: $20
  - ファイル全体の送信: $30
  - 全タスクにSonnet使用: $30

After: $38/月（約52%削減）
  - システムプロンプト最小化: $10（-$10）
  - 差分のみ送信: $9（-$21）
  - Haiku/Sonnet使い分け: $19（-$11）

まとめ

Claude Codeは強力なツールだが、使い方を工夫しないとコストが際限なく膨らむ。今回紹介した5つのテクニックを改めて整理する：

  1. 差分だけ渡す — git diff を活用して不要なコンテキストをカット
  2. システムプロンプトを最小化 — .claude/CLAUDE.md を使って共通情報を分離
  3. モデルを使い分ける — タスクの複雑さに応じてHaiku/Sonnet/Opusを選択
  4. Prompt Cachingを活用する — 繰り返し送信するコンテキストをキャッシュ
  5. バッチリクエストを使う — 大量タスクはバッチAPIで50%オフ

どれも今日から適用できる実践的なテクニックだ。「どのくらいトークンを使っているか分からない」という方は、まず現状把握から始めてほしい。コストの見える化ができれば、どのテクニックが最も効果的か自ずと見えてくる。

これら5つのテクニックの詳しい実装方法と導入ステップについては、ai-concierge-kei.comのLLMコスト最適化ガイド でも解説しているので、ぜひ参考にしてほしい。

Claude Codeをより賢く、よりコスト効率良く使う方法については、ai-concierge-kei.com でも継続的に発信していく。ぜひブックマークしておいてほしい。

最終更新: 2026年4月

0
2
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
0
2

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?