การปรับแต่ง prompt caching คำสั่ง และ effort สามารถลดต้นทุนของ Claude ได้โดยไม่ต้องเสียสละประสิทธิภาพของแอปพลิเคชัน
ประสิทธิภาพและต้นทุนมักถูกมองว่าเป็นสิ่งที่ต้องแลกกัน: เพื่อให้ใช้จ่ายน้อยลง คุณก็ต้องยอมรับผลลัพธ์ที่แย่ลง ในทางปฏิบัติ เราพบว่าแอปพลิเคชันจำนวนมากที่ใช้ Claude Platform สามารถลดต้นทุนได้โดยไม่ลดประสิทธิภาพลง ด้วยการแก้ไขสามอย่าง: เพิ่มอัตราการ hit ของ prompt cache, ลบ anti-pattern ออกจาก prompt เมื่ออัปเกรดเป็น Claude รุ่น frontier และปรับเทียบ effort ให้เหมาะสมกับงาน เราได้รวมคำแนะนำนี้ไว้ใน claude-api skill ในบทความนี้ เราจะแสดงให้เห็นว่า Claude Code ที่ใช้ claude-api skill มักจะหาวิธีลดต้นทุนในขณะที่รักษาหรือปรับปรุงประสิทธิภาพได้อย่างไร
Prompt Cache
ก่อนที่ Claude จะสร้างการตอบสนอง มันจะประมวลผล prompt ของคุณเป็นสถานะการทำงานภายในก่อน ขั้นตอนนี้เรียกว่า prefill ซึ่งเป็นส่วนที่มีค่าใช้จ่ายสูงในการจัดการอินพุต Prompt caching จะบันทึกสถานะนั้น (cache แบบ key–value หรือ KV): เมื่อคำขอเริ่มต้นด้วย prefix เดียวกัน Claude จะอ่านกลับมาแทนที่จะคำนวณใหม่ การอ่าน cache จะถูกคิดค่าบริการในอัตราส่วนของราคาอินพุตเต็ม
มีข้อควรพิจารณาในทางปฏิบัติสองสามข้อเพื่อให้แน่ใจว่าการใช้ prompt cache มีประสิทธิภาพ ประการแรก prompt cache จะถูกผูกไว้กับโมเดลเฉพาะ ประการที่สอง การอ่าน prompt cache จะต้อง byte-exact ทั่วทั้ง prefix สุดท้าย prompt cache มี อายุการใช้งานจำกัด (TTL)
เมื่อคำนึงถึงประเด็นเหล่านี้แล้ว มีเคล็ดลับที่เป็นประโยชน์ดังนี้:
- ระวังการเปลี่ยนการตั้งค่า effort ระหว่างการสนทนา การตั้งค่าเหล่านี้จะถูกแสดงผลลงใน prompt ก่อนเนื้อหาของคุณ ดังนั้นจึงเป็นส่วนหนึ่งของ cached prefix เฉพาะกับ Claude บางรุ่นเท่านั้น รวมถึง Opus 5 และ Fable 5.1 ที่คุณสามารถ อัปเดต effort ระหว่างการสนทนา ได้โดยไม่ทำให้ cache เสียหาย
- เก็บค่าที่เปลี่ยนแปลงบ่อยออกจาก prefix ค่า timestamp หรือ ID แบบไดนามิกใน system prompt สามารถเปลี่ยนแปลงได้ในแต่ละการเรียกใช้โมเดล และทำให้ cache เสียหาย
- หลีกเลี่ยงคำจำกัดความของเครื่องมือที่จัดเรียงตัวเองใหม่ เมื่อใช้ Claude messages API prompt จะถูกประกอบขึ้น ตามลำดับที่แน่นอน โดยมีคำจำกัดความของเครื่องมือแสดงไว้ที่ด้านบน การเปลี่ยนแปลงใดๆ ในคำจำกัดความของเครื่องมือจะทำให้ cache เสียหาย
- ระวังเมื่อแยกการสนทนา Subagent และ branch จะแชร์ cache ของ parent ก็ต่อเมื่อ prefix ของ fork นั้น byte-identical อยู่ในโมเดลเดียวกัน และใช้ effort เดียวกัน
วิธีแก้ไข
เราได้รวบรวม บทเรียนสองสามข้อสำหรับการจัดการ prompt cache:
- ตรวจสอบอัตราการ hit ของ prompt cache อย่างระมัดระวัง Claude Console และ cache diagnostics API ให้ข้อมูลวินิจฉัย prompt cache รวมถึงสาเหตุของ prompt cache miss (รูปที่ 1) และตำแหน่งที่คำขอสองรายการแตกต่างกันอย่างชัดเจน
- เลื่อนเครื่องมือที่ใช้งานน้อย ประกาศเครื่องมือทั้งหมดของคุณไว้ล่วงหน้า แต่ทำเครื่องหมายเครื่องมือที่ใช้งานน้อยว่า defer_loading: เครื่องมือเหล่านั้นจะอยู่นอก cached prefix และจะถูกต่อท้ายในการสนทนาเมื่อ Claude ค้นหาด้วย tool search เท่านั้น ดังนั้น cache จึงถูกเก็บรักษาไว้
- ใช้การอัปเดต system prompt เป็นข้อความ Claude บางรุ่น ให้คุณเพิ่มคำสั่งระบบเป็นข้อความระหว่างการสนทนาแทนที่จะแก้ไข system prompt ซึ่งจะรักษา cache ไว้
- จัดวางคำขอเพื่อให้ส่วนที่คงที่ยังคงที่ เพิ่มบริบทแบบคงที่ (คำจำกัดความของเครื่องมือและ system prompt) ก่อน และการสนทนาที่กำลังขยายอยู่ด้านหลัง (รูปที่ 2)
- ทำการเปลี่ยนแปลงโมเดลหรือ effort เมื่อ prompt cache จะเสียหายอยู่แล้ว การดำเนินการบางอย่าง เช่น compaction จะเขียน cache ใหม่ (การสนทนา) จำนวนมากอยู่แล้ว นั่นคือ ช่วงเวลาที่ดี ที่จะเปลี่ยนโมเดลหรือ effort เนื่องจากคุณต้องจ่ายค่า miss อยู่แล้ว
- ย้าย cache breakpoint เมื่อการสนทนาโตขึ้น ด้วย Claude Platform คุณสามารถตั้งค่า automatic caching เพื่อใช้ cache breakpoint กับ block ที่ cache ได้ล่าสุด
- อุ่น cache ล่วงหน้า เพื่อลด latency ให้ส่งคำขอด้วย max_tokens: 0 และ cache breakpoint ที่ชัดเจน โดยใช้การตั้งค่า effort เดียวกับการรับส่งข้อมูลจริงของคุณ ซึ่งจะประมวลผล prompt และเขียนลงใน cache โดยไม่สร้างอะไรเลย หากคุณเรียกใช้เมื่อเริ่มเซสชัน (เช่น ขณะที่ผู้ใช้กำลังพิมพ์) คำขอจริงครั้งแรกจะเจอ cache ที่อุ่นไว้แล้ว
- อย่าให้เกิน TTL ของ prompt cache TTL ของ cache 5 นาทีจะนับจากจุดเริ่มต้นของคำขอ หาก agent บล็อกการเรียกใช้เครื่องมือหรือคำขอ subagent ที่ทำงานนานกว่า 5 นาที cache ของ parent จะหมดอายุก่อนที่ผลลัพธ์จะกลับมา ในกรณีเช่นนี้ ให้พิจารณาตั้งค่า TTL เป็น 1 ชั่วโมง บน prefix แทน
คำสั่ง
Prompt สามารถสะสมคำสั่งที่แก้ไขจุดอ่อนของโมเดลได้ คำสั่งเหล่านี้อาจคลาดเคลื่อนไปจากความสามารถของ Claude รุ่นล่าสุด ต่อไปนี้คือ "anti-pattern" การเขียน prompt ทั่วไปที่ขัดขวาง Claude รุ่น frontier และอาจเพิ่มต้นทุนโดยไม่ตั้งใจ:
- พิธีกรรมการตรวจสอบ คำสั่งเช่น "ตรวจสอบงานของคุณอีกครั้ง" หรือ "ตรวจสอบสองครั้งก่อนตอบ" มักถูกตีความตามตัวอักษรโดยโมเดล frontier และอาจสิ้นเปลือง tokens
- ตัวเพิ่มความละเอียดถี่ถ้วนและการเน้นย้ำ "มีความละเอียดถี่ถ้วนสูงสุด," "สำคัญ: คุณต้อง…เสมอ" อาจนำไปสู่การใช้คำฟุ่มเฟือยและการเรียกใช้เครื่องมือเพิ่มเติมเมื่อทำงานกับโมเดล frontier
- ขั้นตอนบังคับและโครงร่าง scratchpad กระบวนการแบบขั้นตอนตายตัว (เช่น "คิดทีละขั้นตอนใน scratchpad") หรือเทมเพลตการใช้เหตุผลเป็นพิธีกรรมที่โมเดล frontier ไม่ต้องการ โครงร่างนี้อาจซ้อนทับบนการใช้เหตุผลตามธรรมชาติและใช้ tokens ที่ไม่จำเป็น
- ตัวอย่างที่ล้าสมัย ตัวอย่างแบบ few-shot ที่ปรับให้เข้ากับรูปแบบความล้มเหลวของโมเดลรุ่นเก่าสามารถสอนให้โมเดล frontier เลียนแบบห่วงโซ่การใช้เหตุผลที่ยาวนานในคำขอที่ไม่ต้องการมัน
- กฎที่ขัดแย้งกัน โมเดล frontier เก่งกว่าในการทำตามคำสั่ง คำสั่งที่ขัดแย้งกัน ("คืนเงินตามนโยบายเสมอ" กับ "ห้ามคืนเงินโดยไม่มีการยกระดับ") สามารถปฏิบัติตามได้อย่างตรงตัวมากขึ้นโดยโมเดล frontier ส่งผลให้ประสิทธิภาพลดลง
- การกำหนดค่าที่ล้าสมัย การตั้งค่าที่เขียนขึ้นสำหรับ Claude รุ่นเก่า (เช่น งบประมาณการคิดแบบ manual) อาจถูกปฏิเสธโดย Claude Platform ด้วยโมเดลที่ใหม่กว่า
วิธีแก้ไข
เราได้อัปเดต claude-api skill ด้วยคำสั่งใหม่ที่คอยจับตามอง anti-pattern เหล่านี้ ใน Claude Code ให้รัน /claude-api prompt-audit กับ prompt, skill หรือคำอธิบายเครื่องมือของคุณ การตรวจสอบครอบคลุมทุกอย่างใน working directory ของคุณ รวมถึงโค้ดแอปพลิเคชันที่เรียกใช้ Claude API และการกำหนดค่าของ Claude Code เอง (เช่น CLAUDE.md หรือ skills)
ตัวอย่างเช่น เราทดสอบการย้ายโมเดลจาก Opus 4.8 ไปยัง Opus 5 บนเกณฑ์มาตรฐานการสนับสนุนลูกค้า เราเริ่มจาก prompt ที่สะอาดและปลูก anti-pattern ทีละอัน (การตั้งค่าการคิดที่เลิกใช้แล้ว, กฎการคืนเงินที่ขัดแย้งกันคู่หนึ่ง, scratchpad แบบ manual, "ตรวจสอบสองครั้ง", "มีความละเอียดถี่ถ้วนสูงสุด" และขั้นตอนบังคับหกขั้นตอน) ทำให้ได้ prompt แบบเดิมหกอัน
เรารันแต่ละอันบน Opus 4.8, บน Opus 5 โดยเปลี่ยนเฉพาะ model ID และบน Opus 5 หลังจากรัน /claude-api prompt-audit หนึ่งครั้งต่อ prompt (รูปที่ 3 แสดงค่าเฉลี่ยจากหกอัน)
ด้วย Opus 5 พิธีกรรมการตรวจสอบ ("ตรวจสอบสองครั้ง") ใช้ tokens ที่ไม่จำเป็นโดยการค้นหาคำสั่งซ้ำในการคืนเงินทุกครั้ง ตัวเพิ่มความละเอียดถี่ถ้วน ("มีความละเอียดถี่ถ้วนสูงสุด") กลายเป็นการค้นหาฐานความรู้ที่ไม่จำเป็นหลายสิบครั้ง
การรัน /claude-api prompt-audit ลบ anti-pattern ออกไป ลดต้นทุนลง 14.6% และเพิ่มความแม่นยำขึ้น 5.3% โดยเฉลี่ย ต้นทุนลดลงเนื่องจากการเรียกใช้เครื่องมือพิเศษและการใช้เหตุผลที่ซ้ำซ้อนถูกกำจัดออกไป ความแม่นยำเพิ่มขึ้นด้วยสามสาเหตุ การตั้งค่าการคิดที่เลิกใช้แล้วทำให้ API ปฏิเสธทุกคำขอการกำหนดเส้นทางทันที กฎการคืนเงินที่ขัดแย้งกันทำให้ Opus 5 ระงับการคืนเงินสี่ครั้งที่ควรจะคืนในขณะที่ขอให้ลูกค้ายืนยัน และ scratchpad แบบ manual ชนกับการคิดในตัวของ Opus 5: ในตั๋วสามใบ มันเขียนการเรียกใช้เครื่องมือไว้ในการใช้เหตุผลและไม่เคยดำเนินการ
Effort
Effort บอก Claude ว่า "ต้องทำงานหนักแค่ไหน" ที่ effort ต่ำ โดยทั่วไป Claude จะสรุปผลได้เร็วกว่า ที่ effort สูง Claude จะไตร่ตรอง ตรวจสอบ และสำรวจทางเลือกอื่นก่อนตอบ
ต้นทุนเทียบกับประสิทธิภาพในระดับ effort ที่แตกต่างกันบนโมเดลเดียวอาจแตกต่างกันไป ตัวอย่างเช่น Claude Fable 5 ได้คะแนน 11.5% ที่ effort ต่ำในราคา $5.35 ต่องานบน FrontierCode Diamond (50 งานที่ยากที่สุด) ที่ effort สูงสุด Fable 5 ได้ 30.9% ในราคา $19.00 ต่องาน การเปลี่ยน effort ทำให้คะแนนเพิ่มขึ้นประมาณ 2.7 เท่า (+19 คะแนน) โดยมีต้นทุนประมาณ 3.5 เท่า (รูปที่ 4)
บน Claude Fable 5.1 Humanity's Last Exam (ไม่มีเครื่องมือ) แสดงเส้นโค้งที่ชันโดยมีขั้นตอนสุดท้ายที่ลดลง ได้คะแนนประมาณ 53% ที่ effort ต่ำในราคาประมาณ $0.30 ต่อคำถาม และประมาณ 61% ที่ effort สูงสุดในราคาประมาณ $2.23 ขั้นตอนสุดท้ายที่เพิ่มขึ้นไปถึงสูงสุดเพิ่มประมาณครึ่งคะแนนโดยมีต้นทุนเพิ่มขึ้น 46% การเพิ่มขึ้นนั้นอยู่ในช่วงความผันผวนของการรัน benchmark ดังนั้นคุณจึงจ่ายมากขึ้นโดยไม่มีผลลัพธ์ที่วัดได้
Effort อาจถูกปรับเทียบผิดในทิศทางใดทิศทางหนึ่ง:
- สมมติว่าสูงกว่าดีกว่าเสมอ Effort สูงอาจทำให้เกิด การคิดมากเกินไป Claude ใช้เวลาไตร่ตรองมากกว่างานที่สมควร ซึ่งเพิ่มต้นทุนและ latency และอาจลดคุณภาพของคำตอบ การไตร่ตรองจะช่วยได้ก็ต่อเมื่อยังมีหลักฐานให้ค้นหา
- เอนเอียงไปทาง effort ต่ำ หากตั้งค่าต่ำเกินไป Claude จะหยุดก่อนที่จะมีหลักฐานเพียงพอ มันจะเรียกใช้เครื่องมือน้อยลง ดังนั้นมันอาจตอบจากผลการค้นหาแรกแทนที่จะเป็นผลลัพธ์ที่สาม มันคิดน้อยลงในขั้นตอนที่ยากและข้ามการตรวจสอบที่ปกติจะทำด้วยตัวเอง คำตอบดูเหมือนเสร็จสมบูรณ์ แต่สร้างขึ้นจากข้อมูลเพียงบางส่วน
วิธีแก้ไข
มีวิธีที่มีประโยชน์ในการปรับเทียบ effort:
- ทดสอบโมเดลที่แข็งแกร่งกว่าที่ effort ต่ำ โมเดลที่แข็งแกร่งกว่าที่ effort ต่ำอาจถูกกว่าโมเดลที่อ่อนแอกว่าที่ทำงานหนัก (effort สูง) ตัวอย่างเช่น บน CursorBench 3.2 Claude Fable 5.1 ที่ effort ต่ำ มีประสิทธิภาพเทียบเท่า Fable 5 ที่ effort สูง โดยมีต้นทุนเพียงหนึ่งในสาม (รูปที่ 5) สองสิ่งที่ทำให้โมเดลใหม่กว่าถูกกว่า: ที่ effort ต่ำมันทำงานน้อยลงต่องาน และการอ่าน prompt-cache ของ Fable 5.1 มีราคาอยู่ที่ $0.25 ต่อล้าน tokens เทียบกับ $1.00 สำหรับ Fable 5 แม้ในราคาของ Fable 5 Fable 5.1 ที่ effort ต่ำก็จะมีต้นทุนน้อยกว่าประมาณ 40%
- ทำความเข้าใจรูปร่างงานของคุณ การวัดประสิทธิภาพของแอปพลิเคชันใน ช่วงของระดับ effort เป็นวิธีที่มีประโยชน์ในการทำความเข้าใจการแลกเปลี่ยนระหว่างต้นทุนและประสิทธิภาพสำหรับงานเฉพาะของคุณ ในการประเมินผลที่ไม่อิ่มตัว เส้นโค้งต้นทุน-ประสิทธิภาพที่ราบเรียบในทุกระดับ effort แสดงว่างานไม่ได้ถูกจำกัดด้วยพลังการคิด การเพิ่ม effort จึงไม่มีประโยชน์
การปรับเทียบนี้มักเกี่ยวข้องกับการรันการประเมินผลในหลายโมเดลและหลายระดับ effort ใน Claude Code /claude-api hillclimb จะทำการค้นหานี้ให้คุณ: มันจะแบ่งการประเมินผลของคุณออกเป็นชุด train และ test เสนอการเปลี่ยนแปลงการกำหนดค่า และอ่านตัวอย่าง train ที่ล้มเหลวเพื่อแก้ไขสิ่งที่พบ
เรารันมันบนเกณฑ์มาตรฐานการสนับสนุนลูกค้า โดยเริ่มจาก Opus 4.8 ที่ค่าเริ่มต้น (effort สูง) hillclimber ลอง Opus 5 ที่ effort ต่ำก่อน โดยใช้ prompt-audit เพื่อลบพิธีกรรมการเรียกใช้เครื่องมือบังคับ ขั้นตอน scratchpad และกฎที่ขัดแย้งกัน ซึ่งทำให้คะแนนความแม่นยำ train ของ Opus 4.8 อยู่ที่ 98.9% และลดต้นทุนลงเหลือ 2.6 เซนต์ต่อตั๋ว (รูปที่ 6)
จากนั้นมันก็ลดระดับลงไปที่ Sonnet 5 ที่ effort ต่ำ ซึ่งถูกกว่าเดิมที่ 1 เซนต์ต่อตั๋ว แต่ความแม่นยำลดลงเหลือ 88.9% เมื่ออ่านตั๋ว train ที่ล้มเหลว Claude ได้เพิ่มกฎการกำหนดเส้นทางและการอ้างอิงข้ามเพดานการคืนเงินลงใน prompt ทำให้ Sonnet 5 กลับมาที่ 98.9% ด้วยต้นทุนเท่าเดิม
ในตั๋ว held-out 14 ใบที่การค้นหาไม่เคยเห็น การกำหนดค่าสุดท้ายได้คะแนน 90.5% เทียบกับการตั้งค่าดั้งเดิมที่ 78.6% โดยมีต้นทุนประมาณหนึ่งในห้า
การลดต้นทุนอัตโนมัติ
Prompt caching, คำสั่ง และ effort เป็นกลไกทั่วไปในการลดต้นทุน เอกสารประกอบ ของเราครอบคลุมมากกว่านั้นอีก ในการตรวจสอบต้นทุนแบบองค์รวมของโค้ดแอปพลิเคชันที่ใช้ Claude API เราได้เพิ่ม /claude-api cost-optimize: มันจะวิเคราะห์ว่าค่าใช้จ่ายของคุณไปที่ไหน ใช้การลดต้นทุน และหากคุณมีการประเมินผล ก็จะแสดงว่าการประหยัดนั้นแลกกับประสิทธิภาพอย่างไร
cost-optimize เริ่มต้นด้วยการค้นหาว่า tokens ของคุณไปที่ไหน: จากรายงานการใช้งานและต้นทุนขององค์กรของคุณ หากคุณมี Claude Admin API key, จากออบเจ็กต์การใช้งานในการตอบสนอง API แต่ละครั้ง หากแอปพลิเคชันของคุณบันทึกไว้ หรือหากทั้งสองอย่างไม่มี ก็จะอ่านโค้ดที่สร้างคำขอของคุณและประมาณค่า
จากนั้นมันจะจัดอันดับการประหยัดที่มีอยู่ โดยเริ่มจาก prompt caching, การตัดแต่งสิ่งที่แต่ละคำขอนำมา (รวมถึง prompt-audit), การจำกัด output และ การประมวลผลเป็นชุด งานที่ไม่ต้องดูแล หากคุณมีการประเมินผล มันจะไปไกลกว่านั้นและคำนวณต้นทุนและประสิทธิภาพในระดับ effort และตัวเลือกโมเดลต่างๆ เราเรียกใช้สิ่งนี้กับ benchmark สาธารณะสี่ตัวโดยใช้ Sonnet 5 เป็น baseline (รูปที่ 7):
- LegalBench (ต้นทุนลดลง ~58%): cost-optimize เสนอให้แคช prefix ที่ใช้ร่วมกันในทุกงาน ตั้งค่า effort ต่ำ และประมวลผลงานผ่าน Batch API Thinking tokens ลดลงจาก 102,779 เป็น 8,284 และอัตราการผ่านยังคงอยู่ในช่วงความผันผวน และต้นทุนลดลง ~58%
- tau2-bench retail (ต้นทุนลดลง ~73%): ด้วยการใช้ prompt caching พร้อมการวาง breakpoint อย่างชัดเจน cost-optimize ลดค่าใช้จ่ายลง 72% ในขณะที่รักษาอัตราการผ่านให้คงที่
- OfficeQA Pro (ต้นทุนลดลง ~52%): cost-optimize เพิ่มการประมวลผลเป็นชุดและการแคชเอกสาร ซึ่งทำให้ต้นทุนลดลงจาก $136.20 เป็น $64.87
- SWE-bench Verified (ต้นทุนลดลง ~55%): cost-optimize พบว่าการกำหนดค่าเริ่มต้นแคชอย่างถูกต้องอยู่แล้ว การประหยัดมาจากการตั้งค่า effort เป็นระดับกลาง และจำกัด output ของ agent ให้เหลือเพียงสองสามประโยคที่กระชับ ขั้นตอนเฉลี่ยต่องานลดลงจาก 29 เป็น 17 และ prompt tokens ลดลงจาก 75.2M เป็น 33.7M
เริ่มต้นใช้งาน
เริ่มต้นด้วย /claude-api prompt-audit เมื่อคุณย้ายไปยัง Claude รุ่น frontier และต้องการตรวจสอบ prompt ที่มีอยู่ของคุณ มันจะสแกน prompt, skill และคำอธิบายเครื่องมือใน working directory ของคุณ ซึ่งอาจเป็นโค้ดแอปพลิเคชันที่เรียกใช้ Claude API หรือการกำหนดค่าของ Claude Code (CLAUDE.md, skills) มันจะลบ anti-pattern ทั่วไปที่ขัดขวางโมเดล frontier
ใช้ /claude-api cost-optimize เมื่อแอปพลิเคชันของคุณใช้ Claude API และคุณต้องการตรวจสอบต้นทุน มันจะวิเคราะห์การใช้ tokens จากนั้นทดสอบกลไกต่างๆ: มันใช้ prompt-audit แต่ยังตรวจสอบวิธีลดต้นทุนผ่าน prompt caching, การประมวลผลงานที่ไม่ต้องดูแลเป็นชุด หรือการจำกัด output หากคุณมีการประเมินผล มันจะวัดการแลกเปลี่ยนระหว่าง effort และการเลือกโมเดล
สุดท้าย ใช้ /claude-api hillclimb สำหรับการค้นหาต้นทุนและประสิทธิภาพ เมื่อมีการประเมินผล Claude จะแบ่งออกเป็นชุด train และ test จากนั้นเสนอการอัปเดตแอปพลิเคชันของคุณโดยมีเป้าหมายเพื่อลดต้นทุนในขณะที่รักษาประสิทธิภาพ baseline ไว้ Claude จะอ่านกรณี train ที่ล้มเหลวเพื่อแนะนำการค้นหา และการกำหนดค่าสุดท้ายจะถูกให้คะแนนในชุด test ที่แยกไว้
หากต้องการเรียนรู้เพิ่มเติม:
- ดูเอกสารประกอบของเรา ที่นี่
- ดูตำราลดต้นทุนของเรา ที่นี่
- ดู claude-api skill ที่นี่; skill นี้ยังรวมอยู่ใน Claude Code
- ดูบทความนี้บน Claude Blog ที่นี่
เขียนโดย Lance Martin (@RLanceMartin), Brad Abrams (@brada), Isabella He (@IsabellaKHe) และ Ben Lehrburger (@benlehrburger
