需求：pip install anthropic

用法：

export ANTHROPIC_API_KEY="your_api_key_here"

python token_tracker.py

import os

from anthropic import Anthropic

client = Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))

def send_prompt(prompt_text: str, model="claude-3-5-sonnet-20240620"):

    """向 Claude 发送提示并打印 token 使用统计信息。"""

    message = client.messages.create(

        model=model,

        max_tokens=300,

        messages=[{"role": "user", "content": prompt_text}]

    )

    usage = message.usage # 包含输入/输出 token 数据

    print("Claude 的回复：\n")

    print(message.content[0].text)

    print("\nToken 使用摘要：")

    print(f" 输入 token 数：{usage.input_tokens}")

    print(f" 输出 token 数：{usage.output_tokens}")

    print(f" 总 token 数：{usage.input_tokens + usage.output_tokens}")

if __name__ == "__main__":

    prompt = "用简短的例子解释 Python 中同步和异步编程的区别。"

    send_prompt(prompt)

说明：本脚本不仅打印 Claude 的回复，还报告输入、输出和总共使用了多少 token。你可以通过发送不同的提示进行实验，观察提示大小和详尽程度的变化如何影响成本。

例如：

• 添加详细的说明或长代码片段会大幅增加输入 token 数。
• 请求"简洁总结"而非"深入分析"可将输出 token 数减少近一半。

实际优化示例

下面是一个简单的演示，展示如何通过限制 Claude 的输出来有效控制 token 使用：

prompt_long = (

    "详细解释异步编程，并提供多个例子，"

    "与多线程和多进程进行比较。"

)

prompt_short = (

    "用 100 字总结异步编程与线程的区别。"

)

for prompt in [prompt_long, prompt_short]:

    print("\n提示长度：", len(prompt.split()), "个词")

    send_prompt(prompt)

你会观察到，更短、更聚焦的提示能减少 token 数量和成本，同时仍能提供有用的见解。这印证了在使用 AI 模型时，清晰胜过冗长。

澄清表格

管理 token 使用是一项平衡清晰、简洁和精确的技能。通过监控提示消耗的 token 数量、选择合适的模型以及设置明确的输出限制，你可以完全掌控性能和成本。高效的开发者将 token 视为计算周期——每个 token 都应有其用途。

在下一节中，我们将探讨缓存与复用策略，你将学习如何存储 Claude 的中间回复，并在跨会话中智能地复用它们，从而在保持上下文连续性的同时节省时间和预算。

6.5 构建高效的 Claude 驱动工作流

高效的 Claude 驱动工作流旨在设计你、你的工具以及 Claude Code 推理能力之间的高效节奏。目标不仅仅是将 Claude 用于临时性的代码生成，而是将其作为开发循环中的结构化组成部分——从头脑风暴、搭建代码脚手架，到调试、重构和测试。当开发者系统化地使用 Claude 时，它会成为团队的智能延伸，而非偶尔使用的助手。本节将教你如何构建这样的系统：一个可重复、低摩擦的流程，能够提升创造力、确保准确性，并在各个项目中保持稳定的势头。

概念开发

使用 Claude Code 提高生产力的秘诀在于工作流编排——结构化你的交互，使每次交流都具备上下文、目标和连续性。你不是孤立地进行提示，而是将 Claude 作为持续循环的一部分来使用：

1. 意图阶段：用自然语言明确你想要实现的目标（一个新功能、错误修复或架构变更）。
2. 推理阶段：Claude 概述其计划或方法，让你在生成代码之前审阅其推理过程。
3. 执行阶段：Claude 生成完整的、经过验证的代码，并带有内联注释。
4. 验证阶段：你在本地测试或运行代码，将错误或测试结果反馈给 Claude 以进行优化。
5. 反思阶段：Claude 总结所发生的更改及其原因，创建可供未来参考的知识产物。

这个循环镜像了人类结对编程的过程：计划、编写、测试和迭代学习。一旦实现自动化或持续重复，它就形成了一个 Claude 循环——一个由反馈驱动的开发系统，能够减少摩擦并加快交付。

一个良好的工作流还能区分临时提示（用于探索性任务）和持久系统提示（用于定义 Claude 在特定项目中的长期行为）。将二者分开可以防止上下文漂移，并确保无论会话持续多久，Claude 的行为都是可预测的。

动手示例：持续的 Claude 工作流

让我们构建一个轻量级的、由 Claude 辅助的循环，用于开发和优化一个简单的 Flask API。该循环将自动化规划、生成、测试和总结的流程。

claude_workflow.py