9 cách giúp giảm chi phí token khi dùng Claude Code

Claude Code là một công cụ cực kỳ hữu ích, nhưng chi phí sử dụng có thể tăng nhanh hơn nhiều người nghĩ. Nguyên nhân khá đơn giản: bạn không chỉ trả tiền cho prompt vừa nhập, mà còn “gánh” toàn bộ ngữ cảnh của phiên làm việc. Điều này bao gồm các tin nhắn trước đó, file đã đọc, output từ tool, các file memory như CLAUDE.md và nhiều chỉ dẫn nền khác.

Vì vậy, khi token bắt đầu tăng mạnh, vấn đề thường không nằm ở prompt kém, mà nằm ở việc ngữ cảnh bị “phình to” một cách không kiểm soát.

Nhiều lời khuyên phổ biến kiểu “giữ cuộc hội thoại ngắn” nghe thì đúng, nhưng lại không chỉ ra cụ thể điều gì thực sự tạo ra khác biệt. Điều quan trọng hơn là hiểu cách Claude Code xây dựng context, phần nào được gửi lại nhiều lần và những thói quen nào trong workflow đang âm thầm gây lãng phí.

Hiểu về mức tiêu thụ token cơ sở trong phiên làm việc của bạn

Ngay cả trước khi bạn nhập bất kỳ ký tự nào, phiên làm việc của bạn đã bắt đầu với khoảng 20.000–30.000 token trong cửa sổ ngữ cảnh.

Đây không phải là lỗi, cũng không phải vấn đề riêng của thiết lập cá nhân bạn. Đây là lượng tiêu thụ cố định khi Claude Code khởi tạo: Bao gồm system prompt (câu lệnh hệ thống), file CLAUDE.md (ở cấp độ toàn hệ thống và cấp độ dự án), các file bộ nhớ, MCP server tool schema, cùng tên và mô tả của các skill. Tất cả những dữ liệu này đều được load ngay khi bắt đầu phiên làm việc và luôn hiện diện trong mọi tin nhắn bạn gửi đi.

Có 3 lệnh bạn nên biết:

  • /context: Cung cấp thông tin chi tiết theo thời gian thực về mọi thứ đang có trong cửa sổ ngữ cảnh, bao gồm số lượng token cho từng thành phần và tổng mức sử dụng tích lũy.
  • /usage: Tính năng mới trong phiên bản Opus 4.8 - hiển thị chính xác thành phần nào đang tiêu tốn token của bạn (thông tin này đã được Boris Cherny, người tạo ra Claude Code, chia sẻ trước khi tính năng được phát hành).
  • /memory: Cho biết chính xác những file CLAUDE.md và file bộ nhớ nào đã được load khi bắt đầu phiên làm việc.

Đây là tư duy cốt lõi giúp bạn hiểu rõ các kỹ thuật tối ưu hóa khác. Bạn không bắt đầu từ con số 0, mà bắt đầu từ con số 25.000. Mọi thao tác của bạn sẽ hoặc là giữ nguyên mức cơ sở đó, hoặc làm tăng thêm lượng token tiêu thụ.

Khi vượt quá khoảng 300.000–400.000 token, cơ chế chú ý (attention mechanism) của mô hình bị phân tán quá mức, dẫn đến chất lượng phản hồi suy giảm đáng kể. Thariq Shihipar, một kỹ sư tại Anthropic, gọi đây là "context rot" (sự suy thoái ngữ cảnh) - ngữ cảnh không phải là "đầy", mà là bị "nhiễm độc". Bản thân mô hình không hề lỗi; vấn đề nằm ở chính ngữ cảnh đó.

Điểm hợp lý trong lập luận của những người hoài nghi là: Không phải toàn bộ lượng token cơ sở này đều là lãng phí. Các câu lệnh hệ thống (system prompt) và mô tả skill đều đóng vai trò thực sự hữu ích. Mục tiêu không phải là loại bỏ hoàn toàn ngữ cảnh, mà là đảm bảo rằng những gì có trong đó đều thực sự cần thiết và mang lại giá trị thực tế.

Cung cấp dữ liệu web tinh gọn cho agent, thay vì một "mớ hỗn độn" HTML

Khi một Claude Code agent tìm kiếm thông tin trên web, mặc định hệ thống sẽ thu thập dữ liệu dưới dạng HTML thô. Kết quả là Claude nhận về toàn bộ nội dung của một trang web.

Một trang web thông thường chứa khoảng 38.000 token HTML thô, bao gồm các menu điều hướng, script, thông báo cookie, quảng cáo, footer, trong khi nội dung thực sự hữu ích chỉ chiếm khoảng 2.800 token nằm đâu đó bên trong. Claude phải xử lý toàn bộ 38.000 token này, và bạn cũng phải trả phí cho tất cả số token đó.

Trong một quy trình làm việc đòi hỏi nghiên cứu nhiều, nếu Claude thu thập 10 trang web mỗi phiên, thì sẽ có tới 380.000 token "nhiễu" xuất hiện trong mỗi phiên đó. Với mức giá của mô hình Sonnet 4.6 (3 USD/triệu token đầu vào), bạn đang phải chi trả 1,14 USD cho mỗi phiên làm việc chỉ để xử lý những nội dung mà mô hình không thể sử dụng cho việc suy luận.

Firecrawl giúp loại bỏ các thành phần thừa, chuyển đổi trang web thành định dạng Markdown tinh gọn trước khi dữ liệu được gửi đến Claude. Theo mặc định, cách làm này giúp giảm 94% số lượng token đầu vào cho mỗi lần thu thập. Một trang web điển hình sẽ giảm từ 38.381 token xuống còn 2.788 token. Nhờ đó, Claude chỉ tập trung xử lý những thông tin thực sự có giá trị.

Firecrawl chuyển đổi bất kỳ URL nào thành dữ liệu có cấu trúc gọn gàng, giúp giảm tới 80% số lượng token so với việc đưa trực tiếp code HTML thô vào mô hình.

Điều này áp dụng cho cả hai chế độ nghiên cứu. Các agent chuyên về nghiên cứu thường tương tác với web theo hai cách: Tìm kiếm trang (search) và trích xuất nội dung từ trang đó (scrape). Firecrawl hỗ trợ cả hai quy trình này. Nhờ đó, agent không bao giờ bị làm phiền bởi các thông báo cookie hay menu điều hướng trong cửa sổ ngữ cảnh của mình. 

Một bài kiểm tra độc lập đã đo lường chính xác khía cạnh này. Trên bảng xếp hạng các agent lập trình sử dụng tính năng tìm kiếm web của Openbenchmarks, một agent cố định được giao thực hiện cùng các nhiệm vụ thông qua những nhà cung cấp dịch vụ tìm kiếm khác nhau. Hệ thống kiểm tra sẽ ghi lại giá trị trung vị (median) số lượng token LLM tiêu thụ cho mỗi nhiệm vụ.

Kết quả cho thấy Firecrawl mang lại ngữ cảnh tinh gọn nhất: Trung vị đạt 7.456 token mỗi nhiệm vụ ở hạng mục chỉ tìm kiếm, so với khoảng 22.400 token của Exa instant, 21.000 token của Brave và 24.000 token của Linkup - trong khi vẫn duy trì tỷ lệ hoàn thành nhiệm vụ là 70,3% với mức chi phí thấp nhất trên bảng xếp hạng. Ở hạng mục tìm kiếm và trích xuất nội dung, Firecrawl tiếp tục là giải pháp tiêu tốn ít token nhất trong số các nhà cung cấp dịch vụ web phổ thông, với 17.379 token mỗi nhiệm vụ và tỷ lệ hoàn thành đạt 76,0%.

Đối với một phiên làm việc trên Claude Code thường xuyên thực hiện tìm kiếm, sự chênh lệch về số lượng token này sẽ tích lũy đáng kể trong suốt toàn bộ phiên. So sánh giữa tính năng WebSearch tích hợp sẵn của Claude Code và MCP (Model Context Protocol) cho thấy dữ liệu mà công cụ tích hợp trả về sau mỗi lần gọi, cũng như thời điểm nào thì việc bổ sung một MCP server chuyên về tìm kiếm trở nên hữu ích.

Firecrawl không đơn thuần là một khoản chi phí hạ tầng; nó giống như một khoản chiết khấu cho hóa đơn LLM của bạn, đồng thời giải quyết triệt để những phiền toái thường gặp khi thu thập dữ liệu web (web scraping). Bạn có thể thiết lập công cụ này thông qua plugin Firecrawl chính thức dành cho Claude Code.

Chọn model phù hợp với độ phức tạp của task

Không phải task nào cũng cần model mạnh nhất. Đây là một trong những cách đơn giản nhưng bị bỏ qua nhiều nhất.

Trong hệ thống của Claude, các model có chi phí khác nhau đáng kể. Ví dụ, Opus có thể đắt gấp nhiều lần Sonnet tính theo token. Vì vậy, nếu dùng sai model cho những việc đơn giản, bạn sẽ lãng phí tài nguyên mà không cần thiết.

Một cách tiếp cận hợp lý là bắt đầu với Sonnet cho các công việc thường ngày như viết test, chỉnh sửa nhỏ hoặc giải thích code. Khi gặp các vấn đề phức tạp hơn như thiết kế hệ thống nhiều file hoặc debug lỗi liên quan nhiều thành phần, lúc đó mới chuyển sang Opus. Với những việc mang tính cơ học như đổi tên, format hay tra cứu nhanh, Haiku là lựa chọn tiết kiệm hơn.

/model sonnet    # Day-to-day: writing tests, simple edits,
                 # explaining code, refactoring
/model opus      # Complex: multi-file architecture decisions,
                 # debugging gnarly cross-system issues
/model haiku     # Quick: lookups, formatting, renaming,
                 # anything repetitive

Ngoài ra, bạn cũng có thể điều chỉnh mức độ “effort” để kiểm soát lượng suy luận mà model thực hiện. Với các task đơn giản, giảm effort sẽ giúp tiết kiệm token đáng kể.

Giữ file CLAUDE.md gọn và đúng mục đích

Một trong những cách hiệu quả nhất để tiết kiệm token là tránh việc phải lặp lại các quy tắc dự án trong mỗi cuộc chat. Đó chính là vai trò của file CLAUDE.md.

File này được load ngay từ đầu và luôn tồn tại trong context của toàn bộ session. Điều này cũng đồng nghĩa: nếu CLAUDE.md dài 5.000 token, bạn sẽ phải “trả” 5.000 token cho mỗi lượt tương tác, dù bạn chỉ gửi một câu rất ngắn.

Vì vậy, CLAUDE.md nên chứa những thông tin ổn định như cách chạy test, package manager, quy tắc format, ràng buộc kiến trúc hoặc các thư mục không nên chỉnh sửa. Đồng thời, cần giữ file này càng gọn càng tốt.

Những nội dung như ghi chú họp, lịch sử thiết kế hay hướng dẫn dài dòng không nên đưa vào đây. Cách hiệu quả nhất là dùng CLAUDE.md như một bảng tra cứu nhanh, thay vì một “bộ não khổng lồ”.

Dùng subagent khi thực sự cần thiết

Subagent là các instance Claude riêng biệt, hoạt động trong context độc lập. Khi chạy subagent, toàn bộ output dài như log, tìm kiếm file hay reasoning nhiều bước sẽ không làm “bẩn” context chính, mà chỉ trả về phần tóm tắt.

Điều này giúp giữ cho luồng làm việc chính gọn gàng hơn. Tuy nhiên, subagent không phải lúc nào cũng tiết kiệm.

Với các task nhỏ như chạy lệnh shell đơn giản hay thao tác git nhanh, việc dùng subagent đôi khi lại tốn thêm token do overhead từ kiến trúc, prompt và các lần gọi tool.

Vì vậy, nguyên tắc thực tế là chỉ dùng subagent khi phần context bạn “tránh được” lớn hơn chi phí khởi tạo của nó.

Chỉ định rõ file và phạm vi cần xử lý

Một trong những cách lãng phí token nhanh nhất là yêu cầu Claude “xem toàn bộ repo” trong khi vấn đề thực tế chỉ nằm ở một vài file.

Khi yêu cầu quá mơ hồ, Claude sẽ phải mở nhiều file, thử nhiều hướng và tự xây dựng lại context - tất cả đều tiêu tốn token.

Cách tốt hơn là chỉ rõ file và thậm chí cả dòng code liên quan. Điều này giúp thu hẹp phạm vi xử lý và giảm đáng kể lượng token bị lãng phí.

Ngoài ra, bạn có thể sử dụng chế độ plan (Shift + Tab) để yêu cầu Claude đưa ra kế hoạch trước khi thực hiện. Nhờ đó, bạn có thể loại bỏ các bước không cần thiết trước khi chúng tiêu tốn tài nguyên.

Dùng /compact đúng thời điểm

Claude có thể tự động hoặc cho phép bạn chủ động nén (compact) session. Tuy nhiên, thời điểm sử dụng mới là yếu tố quan trọng.

Sau khi Claude đã đọc nhiều file, chạy lệnh và thử một vài hướng sai, session thường chứa rất nhiều thông tin không còn cần thiết. Đây chính là lúc nên dùng /compact để “làm sạch” context.

Nếu bạn đợi đến khi hệ thống báo đầy context hoặc bắt đầu “quên” thông tin, thì đã quá muộn. Lúc này, phần tóm tắt sẽ kém chính xác hơn.

Ngược lại, nếu compact sớm khi session còn “khỏe”, bạn sẽ giữ được thông tin quan trọng và loại bỏ phần dư thừa, giúp các bước sau nhẹ hơn đáng kể.

Kiểm tra context trước khi tối ưu

Một sai lầm phổ biến là tối ưu “mù”, trong khi không biết token đang bị tiêu tốn ở đâu.

Lệnh /context là công cụ giúp bạn nhìn rõ điều này. Nhiều khi phần tốn token nhất không nằm ở prompt hiện tại, mà là một file lớn đã được load trước đó, output từ tool, hoặc một memory file nặng.

Thay vì đoán, hãy kiểm tra thực tế. Chỉ cần loại bỏ một “thủ phạm thầm lặng” trong context cũng có thể mang lại cải thiện lớn.

Giữ hệ thống tool đơn giản

Claude Code có thể kết nối với nhiều tool và nguồn dữ liệu khác nhau, nhưng càng nhiều tích hợp, context càng dễ trở nên nặng. Nếu bạn thêm quá nhiều công cụ, model có thể phải “gánh” thêm nhiều overhead không cần thiết cho mỗi task.

Giải pháp là giữ hệ thống gọn gàng. Chỉ sử dụng những tích hợp thực sự giải quyết vấn đề lặp lại, thay vì bật mọi thứ chỉ vì “có thể”. Cách hiệu quả nhất để giảm chi phí token không phải là kiểm soát từng prompt, mà là thiết kế lại workflow.

Khi bạn kiểm soát được context - biết cái gì nên giữ, cái gì nên bỏ, và cái gì không nên xuất hiện ngay từ đầu - bạn sẽ tiết kiệm được nhiều hơn bất kỳ mẹo nhỏ nào. Nói cách khác, đừng chỉ nghĩ về prompt. Hãy nghĩ về cách toàn bộ context được xây dựng và vận hành.

Thứ Tư, 16/09/2026 21:35
2,5 ★ 4 👨 919
Xác thực tài khoản!

Theo Nghị định 147/2024/ND-CP, bạn cần xác thực tài khoản trước khi sử dụng tính năng này. Chúng tôi sẽ gửi mã xác thực qua SMS hoặc Zalo tới số điện thoại mà bạn nhập dưới đây:

Số điện thoại chưa đúng định dạng!
Số điện thoại này đã được xác thực!
Bạn có thể dùng Sđt này đăng nhập tại đây!
Lỗi gửi SMS, liên hệ Admin
0 Bình luận
Sắp xếp theo
❖ Claude