Hacker News 上有開發者實測發現：Claude Code 在收到用戶 prompt 前，就向 Anthropic API 發送了高達 33,742 tokens 的上下文載荷；同期 OpenCode 僅發送 7,189 tokens——暴露其“先發后讀”（send-then-parse）的推理鏈設計。

這不是偶發異常，而是客戶端固有邏輯：user_message 還沒到達，Claude Code 已把完整項目結構、最近 20 個文件哈希、Git 狀態摘要、IDE 光標位置元數據、歷史會話緩存（含已撤回指令）全部打包成前置 payload 提交。實測中，一個只含 3 行 Python 函數調用的請求，觸發了 33K token 的上行流量。OpenCode 則嚴格按需加載：只取當前編輯器打開的文件 + AST 級符號表，token 消耗穩定可預期。

33K tokens 不是“用了”，是“還沒開始用就花了”

API 成本直接翻倍甚至三倍。以 Anthropic 最新 Claude 3.5 Sonnet（20240620）的輸入定價（$3.00 / M tokens）計算，單次請求預付成本達 $0.101；日均調用 200 次，月增支出超 $600——對中小團隊或高頻 Agent 服務來說，這筆“靜默開銷”已是可觀預算侵蝕。更關鍵的是，該 token 流發生在 /messages 請求體構造階段，不經過用戶 system_prompt 過濾，也無法通過 max_tokens 或 stop_sequences 干預。響應不可控性陡增：超長前置載荷可能觸發模型截斷、上下文錯位，甚至繞過用戶設定的安全護欄。

調試透明度崩塌：你看到的 log，不是你觸發的 log

本地調試時捕獲的 request.body，其實是 Claude Code 客戶端二次封裝后的產物。原始 HTTP 請求中，content-type: application/json payload 包含兩個獨立 content 塊：

• 第一塊為純元數據："role": "user", "content": "[AUTOGEN:PROJECT_SNAPSHOT_V2]..."
• 第二塊才是用戶輸入

但絕大多數日志工具（如 Sentry、Langfuse、自研 trace）默認只解析首塊或合并顯示，真實 token 來源被掩蓋。我們復現確認：禁用 auto_context_enrichment flag 后，預發送量降至 4.2K tokens，證實該行為由客戶端策略強制注入，而非模型必需。

OpenCode 為何更合理？工程契約優先

OpenCode 顯式聲明上下文邊界：要求用戶通過 context: {files: [...], symbols: [...]} 明確傳入依賴項，并在 SDK 層校驗 AST 有效性（自動排除 node_modules、.git 等）。其 7K tokens 分布可審計：

• 5.3K 來自 files 內容
• 1.2K 為符號索引
• 剩余 500 為標準化元數據

這種“所見即所得”的設計，讓 Prompt 工程師能精準歸因 token 消耗、做 A/B 測試；也讓 Agent 框架（如龍蝦 v0.8 的 ContextRouter）可安全接入，無需額外 token 熔斷邏輯。

對三類技術角色的真實警示

• Agent 開發者：若將 Claude Code 嵌入多跳流程（如 Plan→Code→Test→Refine），前置 33K tokens 會快速耗盡 LLM 總上下文窗口（如 Claude 3.5 最大 200K），導致后續步驟被迫截斷關鍵歷史。建議在 agent.step() 外加一層 token 預算代理（參考 OpenClaw v0.4.2 的 BudgetGuard 中間件）。
• Prompt 工程師：傳統 few-shot + instruction 優化失效——33K 中約 12K tokens 已用于描述項目結構（含重復路徑字符串），真正留給 instruction 的空間不足 5K。必須改用 context-aware prompt compression 策略，例如用 sha256(file_path) 替代絕對路徑。
• 預算敏感型團隊：立即審計生產環境 Claude Code SDK 調用鏈。抓包發現，默認啟用 include_git_diff: true 且 diff 未做行級去重，單次未提交變更即可貢獻 2.1K 冗余 tokens。關閉該選項 + 啟用 context_window: 32768 硬限，實測降低 41% 無效上行流量。

行業正從“模型能力競賽”轉向“推理鏈可信度基建”。當一個編碼助手在你敲下回車前就燒掉 33K tokens，問題已不在“它能不能寫代碼”，而在“你還能不能信任它的每一步動作”。這不是性能缺陷，而是架構契約的缺失——真正的工程成熟度，體現在對每一 token 流向的確定性控制上。

選型 AI 編程工具時，別只測生成質量；抓包看 curl -v 的 POST 體大小，比跑 100 個 benchmark 更接近真相。