第九章：Token 优化与高效省钱配置（重点）
这是本教程的核心章节。我们把前面所有零散的配置项，组装成一套系统化的「更省 Token、更高效」的最优化策略。目标只有一个：在不牺牲（甚至提升）效果的前提下，把每个任务的 Token 消耗与费用压到最低。
先记住一条总纲：Token 成本 ≈ 上下文体积 × 单价 × 调用轮数。一切优化都围绕这三个因子展开——压缩上下文、降低单价、减少无效轮数。
9.1 先量化，再优化：用数据驱动
优化前一定先看清钱花在哪。用 opencode stats：
opencode stats --days 7 --models 5 # 最近 7 天，按模型 Top5 看用量
opencode stats --tools 10 # 看哪些工具被调用最多
opencode stats --project "" # 只看当前项目
重点关注：
- 哪个模型消耗最大 → 是否能把它的部分工作分流到更便宜的模型；
- 哪类工具调用最频繁 → 是否有冗余的读取/搜索可以收敛；
- 输入 Token 是否远大于输出 → 通常意味着上下文太臃肿（MCP 工具、长历史、重复读文件）。
优化一轮后再次 stats 对比，形成闭环。
9.2 因子一：压缩上下文体积
上下文是最大的成本来源。OpenCode 提供多个旋钮。
9.2.1 自动压缩与裁剪（compaction）
{"$schema": "https://opencode.ai/config.json","compaction": {"auto": true,"prune": true,"reserved": 10000}
}
auto（默认true）：上下文将满时自动压缩会话为更短的摘要，避免溢出与昂贵的长上下文请求。prune（默认true）：移除旧的工具输出以省 Token——这通常是上下文里最臃肿的部分（大段文件内容、命令输出）。reserved：为压缩预留的 Token 缓冲，避免压缩过程本身溢出。
建议保持
auto与prune都为true。这是「无脑省钱」的默认底座。
9.2.2 主动压缩（/compact）
不必等自动触发，在一个阶段性任务完成后主动 /compact（键位 ctrl+x c）把上下文收敛成摘要，再继续下一阶段。养成「里程碑后压缩」的习惯。
9.2.3 一个任务一个会话（/new）
长会话会持续累积历史。完成一个独立任务就 /new（ctrl+x n）开新会话，是最简单有效的降本动作——丢掉无关历史，让新任务从干净上下文起步。
9.2.4 精准喂上下文，而非全量
- 用
@文件只引用相关文件，而不是让模型漫无目的地读整个仓库。 - 用只读子代理
@explore/@scout做检索，让它们在子会话里消化大量文件，主会话只接收结论（见 9.4）。 - 在
AGENTS.md里写「按需懒加载外部文件」的指令（见第七章 7.3），避免一次性灌入所有规则。
9.2.5 用 Skills 替代「大块常驻提示词」
Skills（SKILL.md）只在需要时被加载，平时只占一行描述。把冗长的操作流程从 AGENTS.md 迁到 Skill，可显著降低每次请求的固定上下文开销。
9.3 因子二：降低单价（分层用模）
不同任务对模型能力的需求天差地别。让贵模型只做难事，便宜模型做杂活，是性价比最高的策略。
9.3.1 配置 small_model 分流轻量任务
标题生成、摘要等后台任务用便宜模型：
{"$schema": "https://opencode.ai/config.json","model": "anthropic/claude-sonnet-4-5","small_model": "anthropic/claude-haiku-4-5"
}
9.3.2 按 Agent / 命令分层用模
- 规划、审查、检索类 Agent → 便宜模型；
- 实现类 Agent → 强模型；
- 自定义命令可单独指定
model，并用subtask: true丢进子会话。
{"agent": {"plan": { "model": "anthropic/claude-haiku-4-5" },"build": { "model": "anthropic/claude-sonnet-4-5" },"review": { "mode": "subagent", "model": "anthropic/claude-haiku-4-5", "permission": { "edit": "deny" } }}
}
9.3.3 用变体动态调推理强度
用 ctrl+t（variant_cycle）在会话中随时切换推理强度：简单任务用 low/minimal，难题临时升到 high/max，用完切回。也可预定义变体（见第五章 5.6）。推理 Token 往往是隐形大头，按需调强度能省很多。
9.3.4 降低推理与输出冗长度
对支持的模型，全局或按 Agent 压低这两个旋钮：
{"$schema": "https://opencode.ai/config.json","provider": {"openai": {"models": {"gpt-5": {"options": { "reasoningEffort": "low", "textVerbosity": "low" }}}},"anthropic": {"models": {"claude-sonnet-4-5-20250929": {"options": { "thinking": { "type": "enabled", "budgetTokens": 8000 } }}}}}
}
reasoningEffort: low/minimal→ 减少推理 Token；textVerbosity: low→ 输出更精炼，减少输出 Token；thinking.budgetTokens调小 → 压低 Anthropic 思考预算。
权衡：推理强度过低会损伤复杂任务质量。实践做法是「默认低、难题临时升」。
9.3.5 善用本地模型与免费层
把「不敏感、可容错」的杂活（生成样板、解释代码、起草文档）交给本地模型（Ollama / LM Studio，见第五章 5.9），API 费用直接归零。OpenCode Zen 也提供若干免费模型可作小模型分流。
9.3.6 开启提示缓存（setCacheKey）
对支持 prompt caching 的 Provider，开启缓存键可让重复的系统提示/上下文前缀以极低价复用：
{"$schema": "https://opencode.ai/config.json","provider": {"anthropic": { "options": { "setCacheKey": true } }}
}
在「同一会话多轮、系统提示固定」的编码场景，缓存命中能显著降本。
9.4 因子三：减少无效轮数与浪费
9.4.1 Plan → Build 工作流
先在 plan 模式让模型把方案说清楚、你确认无误，再切 build 实现。这能大幅减少「实现错了再推翻重来」的昂贵返工。把 default_agent 设为 plan 让每个会话默认从规划开始：
{ "$schema": "https://opencode.ai/config.json", "default_agent": "plan" }
9.4.2 用 steps 给智能体设迭代上限
防止模型陷入「反复试探」的烧钱循环：
{"agent": {"build": { "steps": 25 },"quick": { "steps": 5 }}
}
达到上限时它会总结进度并列出剩余任务，由你决定是否继续。
9.4.3 只读子代理隔离「重读取」上下文
把检索、调研这类「读很多、产出一句结论」的工作交给 @explore（代码库）和 @scout（外部依赖）。它们在独立子会话里消耗 Token，主会话只拿回精炼结果，避免大量文件内容污染主上下文、在后续每一轮被重复计费。
9.4.4 克制 MCP，裁剪工具
- 每个启用的 MCP 都把工具描述常驻进上下文，每一轮都为它付费。只开真正要用的，其余
enabled: false。 - 用权限把不需要的工具/某 MCP 整组
deny，让模型「看不到」它们，从而不为其描述付费：
{"$schema": "https://opencode.ai/config.json","permission": {"websearch": "deny","githubmcp_*": "deny"}
}
9.4.5 提供高质量上下文，减少来回澄清
AGENTS.md 写清构建/测试命令、约定与坑；用 @文件 给足参考；像对初级开发者那样把需求讲清楚。前期多花几十 Token 把话说明白，能省下后面成百上千 Token 的反复问答。
9.4.6 LSP 减少「猜代码」
启用 lsp（第八章 8.7）让模型直接拿到诊断与符号信息，减少「改完跑、报错再改」的循环。
9.5 与「大仓库性能」相关的开关
大型仓库里，部分功能会带来额外 IO/索引开销，按需调整：
快照（snapshot）
OpenCode 用内部 Git 仓库跟踪文件改动以支持撤销/回滚。超大仓库或多 submodule 项目可能因此索引慢、占盘大：
{ "$schema": "https://opencode.ai/config.json", "snapshot": false }
权衡：关闭后
/undo、/redo将无法回滚文件改动。一般建议保留，仅在确有性能问题时关闭。
文件监听忽略（watcher）
把噪声目录排除出文件监听，减少无谓开销：
{"$schema": "https://opencode.ai/config.json","watcher": { "ignore": ["node_modules/**", "dist/**", ".git/**"] }
}
图片附件归一化（attachment.image）
OpenCode 会在发送前压缩过大图片，避免巨大的 base64 负载吃 Token：
{"$schema": "https://opencode.ai/config.json","attachment": {"image": { "auto_resize": true, "max_width": 2000, "max_height": 2000 }}
}
9.6 「最优化配置」速查清单
把上面的策略落成一份可执行清单：
9.7 小结
省 Token 的本质是管理上下文、分层用模、消除浪费三件事。OpenCode 把这三件事都做成了显式配置：compaction/prune、small_model/变体/推理强度、plan 默认 + steps + 只读子代理 + MCP 克制。把第九章的清单逐条落到你的 opencode.json 里，你就拥有了一套「又快又省」的最优化配置。下一章给出可直接套用的完整配置模板，并讲解最佳实践与排障。