Ao vivo 18/11 · Turma 318 nov às 19:00 MSK — aula prática gratuita de agentes de IA · Turma 3 ao vivo começa 23/11Aula 18/11 →Turma 3 (23/11)
LançamentoAnálise · No radarHabr AI→ original

Três utilitários de "economia de tokens" aumentaram a conta de agentes de IA em 18–46%

Um desenvolvedor passou dois meses economizando tokens de agentes com rtk, Headroom e ripwire e depois conferiu a fatura em dólares: em 30 tarefas do SWE-bench, o custo subiu 18%; em sessões reais, 46%. A causa é o cache de prompt: ele responde por 92% da conta, e a compressão não gera economia nele. Até a pergunta "terminou?", feita de manhã, depois que o cache esfriou durante a noite, saiu mais cara do que a análise do projeto inteiro. Olhe a fatura do provedor, não o contador de tokens.

Processado por IA de Habr AI; editado por Hamidun News
Três utilitários de "economia de tokens" aumentaram a conta de agentes de IA em 18–46%
Fonte: Habr AI. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalHabr AI ↗
Editor-chefe
Dado-chave #1o rtk não comprimiu nenhuma das 3 452 chamadas, e o agente nunca chamou o ripwire
Dado-chave #2ler do cache é de 20 a 40 vezes mais barato do que gravar, e o cache dura cerca de uma hora
Dado-chave #3"terminou?" custou 606 mil unidades, contra 471 mil da análise do projeto

Um desenvolvedor que cria o Tobari, aplicativo desktop para rodar agentes de IA como Claude Code e Codex, usou por dois meses três utilitários populares de economia de tokens: rtk, Headroom e ripwire. O painel de "economia" mostrava números bonitos. Mas, quando ele conferiu a fatura real em dólares, os gastos tinham aumentado.

Em um banco de testes com 30 tarefas do SWE-bench (um conjunto de tarefas reais de correção de bugs em projetos open source), a conta com os três utilitários subiu 18%. Ao reproduzir suas sessões de trabalho de verdade, a alta foi de 46%. Imagine que você comprimiu a saída do git status de onze linhas para três e comemora, mas na prática paga mais, porque isso quebra o cache que tornava a maior parte do trabalho barata.

Se você conecta "otimizadores" aos seus agentes, confira o resultado pela fatura do provedor, não pelos contadores das próprias ferramentas.

Por que economizar, afinal

O motivo foi a confusão em torno dos limites. OpenAI e Anthropic mudam constantemente os limites das assinaturas e não divulgam oficialmente os volumes. Em setembro, a Anthropic reduziu os limites semanais do Claude Code, mas apresentou a mudança como um aumento de 25%.

Antes disso, um bônus temporário de +50% valeu por seis meses, e, em um esclarecimento, a própria empresa admitiu uma redução final de 17%. Em 29 de setembro, a OpenAI lançou a assinatura Pro 500, por $500, e no mesmo dia cortou pela metade os limites do Pro 200 para novos assinantes. Em 22 de outubro, a SemiAnalysis mediu duas contas Claude Max 20x, de $200: em uma delas, a janela de cinco horas era 19% maior, mas o orçamento semanal era 20% menor.

Três ferramentas e o que deu errado com elas

As três tentam colocar menos bytes no contexto, mas atuam em pontos diferentes.

rtk funciona no shell: intercepta a saída dos comandos e entrega ao modelo uma versão comprimida. Tem 84 mil estrelas no GitHub, e a descrição promete redução de 60–90% nos tokens. Em todo o período, o rtk não comprimiu nenhuma das 3 452 chamadas. O README exibia uma tabela "118 mil tokens → 24 mil", mas eram estimativas, não uma medição. Em 22 de julho, dia em que saiu a medição da JetBrains, os autores removeram a tabela. Na descrição do commit, escreveram que o rtk reduz bytes de saída do bash, não gastos.

Headroom (77 mil estrelas) fica como proxy entre o agente e a API e comprime JSON, logs e saídas antigas. Em uma das sessões do autor, ele deixou a conta 2,4 vezes mais cara.

ripwire não comprime nada; em vez disso, dá ao agente ferramentas melhores: em vez de "ler um arquivo de 800 linhas", "mostrar a função e quem a chama". Mas o agente nunca o chamou.

Por que tokens não são o que você paga

O autor analisou uma sessão do Claude Code no Opus 5.5. Seu pedido "Estude o projeto de cabo a rabo" ocupou cerca de 15 tokens, e o contexto cresceu de 39,5 mil para 167,5 mil ao longo do turno. Três quartos eram arquivos e saídas de comandos que o próprio agente puxou do repositório; o outro quarto era o contexto inicial. O que o próprio agente "falou" ficou abaixo de 3%.

O modelo não se lembra de nada entre as requisições, então o agente reenvia a conversa inteira a cada vez. Para escrever uma resposta de 2 317 tokens, ele enviou 167 mil tokens 19 vezes. No total, o turno somou 2,19 milhões de tokens, 13 vezes mais do que a conversa em si. A requisição mediana do autor ao modelo tem 335 mil tokens, e uma sessão média tem cerca de quarenta delas.

O que salva é o cache de prompt. Se a requisição começa com os mesmos bytes da anterior, esse trecho é lido do cache. O mesmo token de contexto (calculado para o Sonnet) custa ×0,1 ou ×2, uma diferença de 20 vezes; no Opus 5.5, a leitura é ainda mais barata, ×0,05, ou seja, 40 vezes. O turno inteiro de "Estude o projeto" custou 471 mil unidades com cache, contra 2,22 milhões sem ele.

O cache dura cerca de uma hora. O autor terminou a noite no planejamento e, de manhã, mais de 8 horas depois, escreveu uma única palavra: "terminou?". O contexto teve de ser gravado de novo: 293 582 tokens ao preço de gravação. Isso custou 606 mil unidades, mais do que todas as 19 requisições da análise do projeto. Com o cache quente, teriam sido cerca de 34 mil, 18 vezes menos. Um compressor de tokens não ajudaria aqui: a mensagem tinha só um par de tokens.

Na fatura real do autor, ao longo de 146 sessões e 35,5 mil requisições em pouco mais de dois meses, 92% do custo veio do cache de prompt. Outros 42% da conta total foram para reconstruir um contexto que já estava no cache, mas expirou ou quebrou; 26% desses ocorreram após pausas de mais de uma hora. O cache quebra em silêncio: não há erros, o agente responde tão bem quanto antes, só a conta sobe. O único sinal honesto é a fatia da entrada lida do cache. No Claude Code puro, ela fica em torno de 98%.

O que fazer na prática

  • Calcule o gasto pela fatura do provedor, não pelos painéis das próprias ferramentas.
  • Acompanhe a fatia da entrada lida do cache: cada ponto percentual a menos custa caro.
  • Lembre-se de que voltar a uma sessão esfriada, depois de uma pausa de uma hora, pode custar o equivalente a uma grande análise de projeto.
  • Não acredite em promessas como "menos 60–90% de tokens" sem metodologia e sem medição em um agente real.

É a experiência de um único desenvolvedor e do seu conjunto de agentes, mas a questão está no próprio modelo de preços do cache, não em um projeto específico.

História

Perguntas frequentes sobre a notícia

Por que economizar, afinal?

O motivo foi a confusão em torno dos limites. OpenAI e Anthropic mudam constantemente os limites das assinaturas e não divulgam oficialmente os volumes. Em setembro, a Anthropic reduziu os limites semanais do Claude Code, mas apresentou a mudança como um aumento de 25%. Antes disso, um bônus temporário de +50% valeu por seis meses, e, em um esclarecimento, a própria empresa admitiu uma redução final de 17%.

O que se sabe sobre Três ferramentas e o que deu errado com elas?

As três tentam colocar menos bytes no contexto, mas atuam em pontos diferentes. rtk funciona no shell: intercepta a saída dos comandos e entrega ao modelo uma versão comprimida. Tem 84 mil estrelas no GitHub, e a descrição promete redução de 60–90% nos tokens. Em todo o período, o rtk não comprimiu nenhuma das 3 452 chamadas. O README exibia uma tabela "118 mil tokens → 24 mil", mas eram estimativas, não uma medição. Em 22 de julho, dia em que saiu a medição da JetBrains, os autores removeram a tabela.

Por que tokens não são o que você paga?

O autor analisou uma sessão do Claude Code no Opus 5.5. Seu pedido "Estude o projeto de cabo a rabo" ocupou cerca de 15 tokens, e o contexto cresceu de 39,5 mil para 167,5 mil ao longo do turno. Três quartos eram arquivos e saídas de comandos que o próprio agente puxou do repositório; o outro quarto era o contexto inicial. O que o próprio agente "falou" ficou abaixo de 3%. O modelo não se lembra de nada entre as requisições, então o agente reenvia a conversa inteira a cada vez.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
O que você acha?
Carregando comentários…