搞懂缓存机制，从Gemma4到Claude Code省80%Token
文章通过本地 Gemma4 实验发现大模型对话中存在 100 倍加速的现象，深入剖析了 Transformer 的 KV 缓存原理，并逆向分析了 Claude Code 的精密缓存工程。文章解释了为何连续对话比频繁开启新 Session 更省钱，指出破坏缓存的关键行为（如切换模型、修改 System Prompt），并提供了保护缓存以节省 80% Token 的具体使用姿势。
相关文档
搞懂缓存机制，从Gemma4到Claude Code省80%Token
本文通过本地实验与源码分析，深入解析了大模型的 KV 缓存机制。作者从 Transformer 注意力机制讲起，解释了为何多轮对话会出现 100 倍的加速差异。通过逆向 Claude Code，揭示了 Anthropic 精密的缓存工程策略（前缀匹配、TTL 机制）。最后，给出了具体的 Claude Code 使用姿势（如保护缓存前缀、避免切换模型），帮助用户将 Token 消耗降低 80%，实现同样的套餐多干 3-5 倍的活。
LLM 中的 Prompt Caching 技术详解：以 Claude 为例的高效缓存策略
本文深入探讨了 LLM 中的 Prompt Caching 技术，解释了其背后的 KV Cache 机制及静态/动态上下文分离原理。文章通过 Claude Code 的案例分析，展示了如何通过保持 92% 的缓存命中率来将计算成本降低 81%，并总结了哈希敏感性和工程化落地的关键约束。
Reducing cost and improving performance with Claude Platform
本文介绍如何通过三项优化在不牺牲性能的前提下降低 Claude 应用的成本：最大化 prompt cache 命中率、清理迁移到前沿模型后的提示词反模式、以及按任务校准 effort 设置。文章详细讲解了 prompt cache 的工作机制（KV 缓存、字节级前缀匹配、TTL 限制），给出监控缓存命中率、延迟加载少用工具、以消息形式更新系统提示、预加热缓存等实践技巧；同时列举了验证仪式、过度强调、过时示例、矛盾规则等反模式及其修复方法，并介绍了 claude-api skill 中的 prompt-audit 命令帮助自动检测问题。
靠这10个优化点，我们把Multi-Agent工作流成本降了50%以上
作者团队用 AI Agent 驱动前后端全流程开发（1个TL+6个子Agent），token成本高昂。通过AgentLens度量发现系统提示词、工具返回信息、历史消息是消耗大头。围绕'只看当前需要的上下文、减少无关上下文、减少重复上下文'三原则，实施了渐进式披露、CLI替代MCP、MCP子Agent化、长期记忆索引加载、多Agent拆分、工具白名单等10项优化，全流程降本50%~65%。
5步构建低Token消耗的自治Agent系统
文章介绍了构建消耗Token减少90%的自管理Agent系统的五个步骤：将上下文移出窗口、使用子代理处理脏活、利用自管理内存、避免破坏缓存以及手动管理上下文。强调了通过优化上下文管理和缓存机制来降低成本和提升效率的重要性。
pi-goal 源码解析与实测：DeepSeek 性能竟比 Gemini 好 30 倍
文章深入解析了 pi-goal 这一长程目标自动循环工具的源码机制，并设计了高难度的 Karpathy 开源项目洞察任务，对 Gemini、Claude 和 DeepSeek 三款模型进行了同台实测。结果表明，DeepSeek V4 Pro 在成本上仅是 Gemini 的 1/31，质量却更优。文章还发现过度推理会增加幻觉，以及软预算机制可作为模型行为探针，并指出了 pi-goal 在审计验证上的盲区。
深度解析: Claude Code 51万行源码背后的5个炸裂发现
本文基于Anthropic误暴露的51万行Claude Code源码，深度解析了其背后的产品哲学。核心发现包括：通过四维记忆系统解决AI遗忘问题；Coordinator模式揭示了AI管理逻辑与人类管理的一致性；23道安全检查与YOLO分类器构建的安全体系；极致的Token缓存策略优化；以及KAIROS等未发布的隐藏功能。文章指出，Prompt和自然语言指令体系才是AI产品的真正护城河。
二十多款用代码做视频的Skills筛选：三个可用于起号的推荐
作者试用了二十多款用代码生成视频的Skills，最终筛选出三款推荐：ClaudeAnimationBase（效果最好，2k star，卡通动漫风、视频连贯性好）、mg-styles-15 和 video-shotcraft。这些工具既能制作宣传片，也可直接用于视频平台起号。作者使用 Claude Code 搭配 Opus 5.5 进行测试，并指出先参考素材找到想要的风格，再让模型描述生成，效果更佳。
Claude 改版为什么激怒了忠实用户？品牌升级里，最忌讳动这 3 样东西
文章分析 Claude 桌面端改版引发老用户不满的原因。作者认为设计团队追求工整规范，却抹掉了产品的独特质感。作者总结品牌升级三大禁忌：一是动了用户已习惯的感官直觉，把有辨识度的个性误当不规范，导致产品同质化；二是用内部生产效率代替用户实际收益，只强调3周快速上线却未说明对用户的具体好处；三是把'做出来了'当成'证明有效了'，缺乏真实任务中的行为数据验证。作者提出改版前应自问：用户心中的感官词是否被磨平、新收益能否覆盖学习成本、哪些特色必须保留。真正的升级是修掉硬伤、留住特色。
如何构建成本降低 80% 的编码 Agent：Jev + Opus 5.5 完整架构
文章指出当前编码 Agent 在简单决策（如选择加载哪些笔记、任务路由、工具失败处理、测试优先级）上滥用昂贵的前沿大模型，造成成本浪费。作者提出三层架构：Opus 5.5 负责规划、写代码、调试等开放性推理；Jev（TypeSafe 出品，毫秒级响应、输入 $0.042/百万 token、输出免费）负责从固定选项中做小决策并返回概率；Harness 层构建选项、校验概率阈值并在低置信度时回退到 Opus。文章给出四个具体决策点及代码实现：按标题分块并用 Jev 并行评分筛选相关笔记（将 30k token 降至 6k）、任务路由、工具失败处理、测试优先级选择。实测一个功能开发会话成本从 $6.42 降至 $2.00，降低 69%，且架构可作为函数调用插入现有 Agent 循环，无需重写。
如何将 Opus 5.5 打造为你自己的彭博终端（完整课程）
本文是一篇实操教程，介绍如何利用 Claude Opus 5.5 构建个人化的市场分析终端。作者指出普通 AI 聊天机器人回答行情问题时数据陈旧、缺乏来源和时间戳，而解决之道在于为模型提供带来源和时间戳的实时数据。文章提供两条路线：一是通过 Minara 应用快速上手，选择 Opus 5.5 模型进行实时行情问答和每日自动化监控；二是使用 Claude Code 从零搭建本地终端，通过 CLAUDE.md、brief.md、state.md、log.md 四个文件建立规则与记忆，配置免费或付费数据源，并设置安全规则确保未经确认不执行任何交易。课程还涵盖持仓晨检、涨跌归因、历史回测、告警推送及四周进阶计划。
如何把 Opus 5.5 变成工作室：动效设计、Harness 与循环的完整指南
文章介绍了 Anthropic 发布的 Claude Opus 5.5 模型，其性能达到 Fable 5.1 水平但运行成本低 40%，尤其在长时间自主任务中表现突出。作者指出动效设计、Harness 工程和循环工程三者实为一个完整技术栈，并以五部分结构展开讲解：模型本身的基准数据与定价、如何用它做纯代码驱动的动效/动画创作、让输出可靠化的 Harness 工程、让 Agent 持续自主工作的循环机制，以及如何用单个模型串联整个工作流。文章强调缓存读取降价 60% 使长循环成本可控，并列举了大规模代码迁移、翻译 HAProxy 等实际案例。
