Como economizar tokens sem piorar a resposta

1Parte 1 de 7

Os princípios

Por que a conta cresce sozinha, e por que cortar contexto melhora a resposta em vez de piorar.

O custo é cumulativo, não por mensagem

Essa é a ideia que reorganiza tudo o resto. O modelo não lembra de nada entre uma mensagem e outra. A cada nova pergunta, a ferramenta reenvia a conversa inteira: instruções, histórico, resultado de ferramenta e o PDF que você anexou lá na primeira mensagem.

Então aquele anexo não custou uma vez. Custou uma vez por turno, até o fim da conversa.

É por isso que comprimir o que entra tem retorno multiplicado, e conversa longa e suja é o maior vilão silencioso da conta.

A pergunta que resolve a maioria dos casos

O modelo precisa ler isso, ou raciocinar sobre isso?

Não é só dinheiro, é qualidade

Se você está num plano fixo e não vê fatura por token, o argumento do custo não te pega. Esse aqui pega.

Contexto mais longo piora a resposta. Não é opinião, é resultado medido: a Chroma testou 18 modelos de ponta e todos pioram conforme a entrada cresce, mesmo em tarefas simples. Some o efeito lost in the middle: a atenção tem formato de U, e o que fica enterrado no miolo pode simplesmente não ser usado. Context Rot, Chroma(abre em nova aba)

• Janela de um milhão de tokens não significa que usar um milhão funciona. O limite útil costuma ser uma fração do anunciado.
• Aquela conversa de duas horas que você não limpou não está só cara. Está mais burra.

Limpar contexto não é economia mesquinha. É controle de qualidade. As duas coisas apontam pro mesmo lado, o que é raro e conveniente.

Onde o token some de verdade

As pessoas encurtam o prompt e anexam um PPTX de 40 slides. O prompt não é o problema. Em ordem aproximada de impacto:

• Anexos não tratados

  PDF, xlsx e pptx crus carregam o que o modelo descarta

• Imagens

  O item mais caro por unidade de informação

• Conversa sem limpeza

  Custo multiplicado por cada turno

• Saída de ferramenta inteira

  Ler 3 mil linhas pra usar 20

• MCP desnecessário ligado

  A definição ocupa contexto mesmo sem ser usada

2Parte 2 de 7

Formato de entrada

O mesmo conteúdo pesa muito diferente dependendo do arquivo. Converta antes de anexar.

A tabela de conversão

No Excel e no Google Sheets: Arquivo, Salvar como, CSV. Leva dez segundos e é a economia mais barata da lista.

[
  {
    "data": "2026-09-01",
    "loja": "Centro",
    "vendas": 120,
    "ticket_medio": "48.00"
  },
  {
    "data": "2026-09-02",
    "loja": "Shopping",
    "vendas": 157,
    "ticket_medio": "61.00"
  }
]
…

data,loja,vendas,ticket_medio
2026-09-01,Centro,120,48.00
2026-09-02,Shopping,157,61.00
…

Ferramentas que rodam na sua máquina

Prefira essas quando o documento for interno ou de cliente.

• PandocConversão entre quase todos os formatos: docx, epub, html, latex, markdown.Roda local
• MarkItDown (Microsoft)PDF, Office e mais, com saída pensada pra LLM.Roda local
• anydoc (Firecrawl)Converte Word, PPTX, Excel, PDF, RTF, EPUB e CSV para markdown limpo, com mediana abaixo de 5 ms por documento. Escrito em Rust, com bindings Node.js e Python. Só o OCR de PDF escaneado usa a API paga da Firecrawl.Roda local
• LibreOffice --headlesssoffice --headless --convert-to csv arquivo.xlsx. Já está instalado em mais máquina do que você imagina. Converte só a primeira aba, a não ser que você peça todas.Roda local

Ferramentas que sobem o arquivo

Rápidas e sem instalação, mas o arquivo sai da sua máquina. Para documento confidencial, use as de cima.

• iLovePDFPDF para markdown.Sobe o arquivo
• ConvertioPPT para TXT.Sobe o arquivo

O caso do PDF escaneado

Sobre imagem

Quando a imagem for necessária mesmo, e às vezes é, o custo cresce com a área. Recorte a região que importa e reduza a resolução ao mínimo legível. Screenshot de tela inteira pra mostrar um gráfico no canto é desperdício puro.

Quando o que você manda é código

Caso à parte, porque repositório é o anexo mais pesado que existe e quase ninguém trata.

• RepomixEmpacota o repositório num arquivo só. O --compress usa tree-sitter pra manter assinatura e estrutura e jogar fora o corpo das funções; o projeto cita algo em torno de 70% menos tokens. O --token-count-tree mostra quais arquivos estão comendo seu orçamento.Roda local
• files-to-promptJunta só os arquivos que você escolheu. Seleção cirúrgica.Roda local
• ripgrepDentro do fluxo do agente. Buscar o trecho é sempre mais barato que ler o arquivo inteiro, e o agente costuma preferir ler tudo se você deixar.Roda local

Uma ressalva de qualidade: compressão por tree-sitter perde informação por definição. Pra revisão de arquitetura funciona bem; pra caçar um bug de comportamento, pode ter jogado fora justamente a linha que interessa.

3Parte 3 de 7

Higiene de contexto

Conversa velha é aluguel. Saber quando limpar, resumir ou voltar é metade da economia.

Chat comum

Assunto novo, conversa nova.

Ferramentas agênticas

O Claude Code serve de exemplo aqui, mas Cursor, Codex e afins têm equivalentes. São três comandos que parecem a mesma coisa e não são. Responde as perguntas que ele aponta o certo:

Escolha modelo e esforço no começo, não no meio.

Mesma lógica: na maioria dos modelos, mudar o nível de esforço também zera o cache.

MCP ligado tem custo.

Servidor conectando ou saindo no meio da sessão pode invalidar o cache quando as definições de ferramenta ficam no começo do prompt. Ligue só o que a tarefa pede.

CLAUDE.md enxuto, e editado na hora certa.

Ele é lido uma vez no começo da sessão. Editar no meio não invalida o cache, mas também não vale: a mudança só entra no próximo /clear, /compact ou restart. Já vi gente editar e ficar bravo achando que a IA ignorou.

Subagente isola contexto, e isso é bom.

Ele roda a própria conversa e devolve só o resultado, sem sujar a principal. O custo é que ele começa com cache frio.

Retomar sessão antiga depois de atualizar a ferramenta sai caro.

Versão nova costuma mudar o prompt de sistema, então a primeira requisição reconstrói o cache do zero. Em sessão longa, isso pesa.

How Claude Code uses prompt caching(abre em nova aba)

Ferramentas avançadas para agentes

Quatro ferramentas que atacam pontos cegos que os comandos nativos não cobrem: saída de terminal, leitura de código, saída pesada de ferramenta e skills esquecidas. Todas prometem muito, então leia os números com o olho crítico de sempre.

• RTK (Rust Token Killer)Hook que intercepta comandos de terminal (git, ls, curl, gh) e devolve uma versão enxuta da saída antes de entrar no contexto. Só pega o que passa pelo terminal: as ferramentas nativas de ler e buscar arquivo ficam de fora. O contador do próprio RTK mostra 89% de economia em 15.720 comandos de um dev.Roda local
• code-review-graphGrafo local e persistente do código, guardado num SQLite na sua máquina. Em vez de ler arquivos inteiros a cada sessão, o agente consulta o grafo. O README fala em ~63× menos tokens por pergunta (mediana), comparando com ler o código inteiro, uma base que o próprio autor chama de limite superior.Roda local
• context-modeRoda os comandos pesados (builds, fetches, greps) em subprocessos isolados e só deixa entrar na janela o que importa da saída. No exemplo do projeto, 315 KB viram 5,4 KB: 98% menos.Roda local
• optimizeSkill (/skill-optimize) que lê o histórico das suas sessões, acha as skills que você não usa e desliga, com confirmação e backup. Menos definição no começo do prompt, menos token por turno.Roda local

4Parte 4 de 7

O lado da saída

Tudo até aqui foi sobre o que entra. Mas o token de saída custa várias vezes mais que o de entrada.

O jeito grátis: pedir

A saída é a parte que mais gente ignora, porque parece que não dá pra controlar. Dá. "Responda em até 5 linhas", "só o código, sem explicação", "bullet, não parágrafo". A maior parte do desperdício de saída é narração educada que ninguém leu. Nas APIs, max_tokens é o mesmo controle com outro nome.

caveman: compressão sistemática de saída

Uma skill que faz o modelo responder em prosa comprimida, cortando algo em torno de 65% dos tokens de saída segundo as medições do próprio projeto. Código, comando, caminho de arquivo e mensagem de erro passam intactos: o que é comprimido é a narração em volta.

$ npx skills add JuliusBrussee/caveman

caveman

Comprime a resposta do modelo

caveman-compress

Reescreve CLAUDE.md e outros arquivos de memória em formato comprimido, guardando um backup legível. Como eles são lidos em toda sessão, a economia se repete

caveman proxy

Um proxy local, que também funciona via MCP, e comprime o que o agente lê e a saída dos comandos

1. Antes de mandar

   Endpoint de contagem da Anthropic

   Gratuito, e aceita o mesmo payload da mensagem real.

   Documentação(abre em nova aba)

2. Antes de mandar código

   repomix --token-count-tree

   Mostra a distribuição de tokens por arquivo e por pasta.

   Repomix(abre em nova aba)

3. Durante a sessão

   /usage e a statusline

   No Claude Code, o /usage mostra a taxa de acerto do cache da sessão. Pra acompanhar ao vivo, uma statusline lendo cache_read_input_tokens e cache_creation_input_tokens: leitura alta e criação baixa é sinal bom. Criação alta turno após turno quer dizer que algo no começo do prompt muda o tempo todo.

   Checar o cache(abre em nova aba)

4. Depois

   ccusage

   Lê os logs locais do Claude Code (e de outros agentes de código) e monta relatório. npx ccusage daily e npx ccusage session mostram qual tipo de tarefa está queimando mais, que é a informação que de fato muda comportamento.

   ccusage(abre em nova aba)

5. No chat web

   claude-counter

   Extensão de navegador que mostra contagem de tokens, o timer do cache e as barras de uso no claude.ai.

   claude-counter(abre em nova aba)

As ferramentas também têm comandos próprios de uso e contexto, mas eles mudam de versão pra versão. Rode /help e veja os do seu build em vez de confiar em lista de blog, inclusive nesta.

Prompt caching

O que é estável vem primeiro. O que varia vem por último.

Leitura de cache custa 10% do preço normal de entrada na Anthropic, na OpenAI (do GPT-5.6 em diante) e no Gemini 3.x, e menos ainda em alguns modelos (5% no Opus 5.5 e no Sonnet 5.5). Gravar custa um pouco mais que o normal: 1,25× no cache de 5 minutos da Anthropic e da OpenAI, 2× no de 1 hora da Anthropic. Ou seja, o cache curto se paga já na primeira releitura.

Timestamp no topo do system prompt, nome do usuário antes do documento de referência: qualquer coisa assim destrói a taxa de acerto sem ninguém perceber. E mexer na definição de ferramentas invalida o cache inteiro, então planeje mudança de schema pra janela de pouco tráfego.

Duas alavancas que empilham

Batch

Para tudo que não é tempo real. Metade do preço, e o desconto acumula com o do cache.

Roteamento de modelo

Nem toda tarefa precisa do modelo grande. Classificação, extração e formatação rodam bem no pequeno.

A armadilha do cache implícito na OpenAI

O que muda em cada IA

Quase toda técnica vale para qualquer modelo. Comece pela primeira aba: as outras três só existem onde a implementação diverge de verdade.

Vale pra todosClaudeOpenAIGemini

Se você aplicar só o que está aqui, já resolveu a maior parte do problema.

Custo

O contexto é reenviado a cada turno. Nenhum modelo lembra da mensagem anterior. O que você anexou na primeira pergunta é cobrado de novo em todas as seguintes.

Formato

Markdown e CSV ganham de PDF e XLSX em qualquer fornecedor. Layout, estilo e metadado são peso que o modelo descarta depois de você pagar.

Ordem

Estável primeiro, variável por último. Os três casam cache pelo começo da requisição. Data ou nome de usuário no topo do prompt derruba a taxa de acerto dos três do mesmo jeito.

Janela

Janela grande não é desconto. Contexto de um milhão de tokens significa que você pode mandar tudo, não que devia.

Qualidade

Contexto longo piora a resposta, em todos eles. A Chroma testou 18 modelos e todos pioram conforme a entrada cresce, mesmo em tarefa simples. Context Rot, Chroma(abre em nova aba)

Saída

Cache desconta entrada, nunca saída. Toda conta que promete economia em cima do total da fatura está errada.

Cache

Automático ou por bloco, você escolhe. Um único cache_control no topo da requisição liga o modo automático, que vai movendo o ponto de corte conforme a conversa cresce. Ou marque blocos específicos pra controlar exatamente o que entra.

Gravar custa 1,25× o preço de entrada no cache de 5 minutos e 2× no de 1 hora. Ler custa 0,1× (0,05× no Opus 5.5 e no Sonnet 5.5). Mexer na definição de ferramentas invalida o cache inteiro.

Prompt caching(abre em nova aba)Preços(abre em nova aba)

Contagem

Endpoint dedicado e gratuito, com limite só de requisições por minuto. Aceita o mesmo payload da mensagem real, incluindo PDF, imagem e definição de ferramenta. Conte sempre no modelo que você vai usar: segundo a Anthropic, os modelos a partir do Claude 4.7 geram cerca de 30% mais tokens para o mesmo texto.

Token counting(abre em nova aba)

Claude Code

• /clearLimpa tudo. Use quando trocar de tarefa.
• /compactTroca o histórico por um resumo. Use quando continuar na mesma tarefa.
• /rewindVolta pra um turno anterior, e o cache daquele ponto continua valendo. Também dá pra resumir a partir dali.
• /usageMostra a taxa de acerto do cache na sessão.

Trocar de modelo no meio da sessão zera o cache. Cada modelo tem o próprio, então a próxima requisição relê o histórico inteiro sem desconto. Trocar o nível de esforço faz o mesmo na maioria dos modelos. Escolha os dois no começo.

Como o Claude Code usa o cache(abre em nova aba)

Cache

Automático, mas a regra mudou no GPT-5.6.

• Antes do GPT-5.6: só existe cache implícito. O serviço decide sozinho onde cortar, e gravar no cache não custa nada a mais.
• Do GPT-5.6 em diante: o ponto de corte implícito fica na última mensagem. Gravar no cache custa 1,25× o preço normal de entrada, ler custa 0,1×, e o cache vale por 30 minutos desde o último uso.

A armadilha: duas requisições podem compartilhar milhares de tokens idênticos e reportar cached_tokens zero. Ligue o modo explícito (prompt_cache_options.mode) e marque um prompt_cache_breakpoint no fim do trecho estável. Use também prompt_cache_key nas requisições que compartilham esse trecho. No modo explícito sem nenhum breakpoint, a requisição pula o cache.

Prompt caching, OpenAI(abre em nova aba)

Contagem

Tokenizer local. A biblioteca tiktoken roda na sua máquina, sem rede e sem chave. Confira se a versão cobre o modelo que você chama.

Codex

• /compactCompacta o contexto do chat atual
• /statusMostra o uso de contexto e os limites
• /sideAbre um chat lateral temporário sem interromper o principal
• /forkCopia o chat para um novo chat ou worktree
• /newComeça um chat em branco no mesmo workspace

Comandos do app do Codex. Na linha de comando a lista muda de versão pra versão: rode /help no seu build.

Comandos do Codex(abre em nova aba)

Cache

Dois modos, e a diferença é garantia.

• Implícito: ligado por padrão do Gemini 2.5 em diante. Se o começo da requisição bater, o desconto vem sozinho. Sem garantia, sem custo de armazenamento. Só vale a partir de 2.048 ou 4.096 tokens, dependendo do modelo.
• Explícito: desconto garantido, mas você paga armazenamento por hora enquanto ele fica vivo. Só existe na API generateContent.

Nos modelos 3.x, ler do cache custa 10% do preço de entrada.

Cache explícito esquecido ligado vira conta silenciosa.

Context caching(abre em nova aba)Preços(abre em nova aba)

Contagem

Método countTokens no SDK, e os metadados de uso na resposta mostram quanto da entrada veio do cache.

Terminal

A Gemini CLI foi descontinuada em 18/06/2026 e deu lugar à Antigravity CLI. Se você tem script antigo, revise antes de rodar.

• /clearNa Antigravity CLI, limpa a tela e zera o contexto da conversa (o mesmo que /new)
• /contextAbre o painel de uso do contexto

Comandos da Antigravity CLI(abre em nova aba)

Preço e limite mudam mês a mês: esta seção descreve comportamento, não número. Tudo conferido nas documentações oficiais em 08/10/2026.

7Parte 7 de 7

O nível acima

A economia mais alta não está em mandar menos. Está em não precisar mandar.

Documentação não é burocracia, é cache.

Boa parte do que a gente gasta em token é reexplicação. Você abre uma conversa nova e conta de novo como o processo funciona, quem aprova o quê, onde fica cada coisa. Toda semana. Pra cada ferramenta.

Quando o processo está documentado direito, você anexa um arquivo curto e bem estruturado em vez de gastar quinze mensagens montando contexto na mão. É a diferença entre pagar uma vez e pagar toda vez. Escrevi sobre isso no handbook Vibe Coding na Prática.

A skill: lab-map-process

Fiz uma skill pra isso. Ela conduz a documentação de um processo de trabalho e devolve markdown pronto pra colar em qualquer lugar. O valor dela não é o template, é o roteiro: a maioria das pessoas documenta mal porque não sabe o que perguntar pra si mesma. A skill pergunta. Cobre três formatos:

Passagem de bastão

Quando alguém vai assumir o trabalho

Runbook

Para tarefa recorrente que precisa sair igual toda vez

Mapa de processo

Para enxergar o fluxo ponta a ponta, com donos e handoffs

Bora dar fim às planilhas. Pra registrar o processo antes de virar documento, três apoios: Obsidian, Excalidraw e Wispr Flow (falar o processo é bem mais rápido que escrever). Estão no índice lá embaixo.