你打开 Claude Opus 或 GLM-5.1 的 extended thinking，让它"多想想"——结果月末账单翻了两三倍，你却找不到是哪条多花的。问题出在一个 90% 开发者都没意识到的盲区：**推理模型烧的钱，大头不在你看到的回答里，而在它"思考"的过程里**。这篇文章拆开这个隐形黑洞，给你三个立刻能关的开关，把推理账单砍掉一半以上。这是 2026 年最贵、也最被忽视的 API 信息差。
## 一、思考 token 黑洞：你看不见，但你要付钱
先用一句话把信息差摆出来：**reasoning / thinking tokens 是模型生成的、对你完全不可见、却照样按 output 价格计费的 token。**
OpenAI 的 o 系列和 GPT-5 有 `reasoning tokens`，Anthropic 的 Claude 有 `thinking tokens`，GLM-5.1 有自己的思考链。机制各不相同，但计费逻辑一致——思考过程算输出，输出最贵。
这里有个反直觉的关键点，是绝大多数人踩坑的根源：
> **思考 token 通常不能被 prompt cache 命中。**
原因很简单：缓存是按内容做哈希的，而思考链每次都是模型现想出来的、不稳定的中间状态，厂商不会把它算作可复用的前缀。这意味着——你为同一段思考反复买单，缓存机制在这里帮不了你。
后果有多严重？看一个真实场景。一个调用 Opus 级模型（约 $15/MTok 输入、$75/MTok 输出，具体以官方定价页为准）做代码 review 的请求：
- 你看到的最终回答：约 800 token
- 它实际生成的思考 token：约 4000–8000 token
- **真正计费的 output 量：4800–8800 token，是你看到内容的 6–11 倍**
一次请求你以为是几毛钱，实际是几块钱。跑一个每天 1000 次调用的后台任务，一个月就是几千刀——而其中六成以上，是那个你从来没看见过的"思考"。
## 二、为什么九成的人在白烧思考 token
认知差有三层，一层比一层隐蔽：
**第一层：以为"开了思考=更好=该一直开"。** 很多团队把 thinking 永远设成 high/最大预算，连"这段文本是不是 JSON"这种判断也让它深思 5000 token。简单任务的思考收益趋近于零，成本却一分不少。
**第二层：不知道思考预算是个可调旋钮。** OpenAI 有 `reasoning_effort`（`minimal` / `low` / `medium` / `high`，`minimal` 是后加的省钱档），Anthropic 用 `budget_tokens` / `max_tokens` 控制思考上限。这个旋钮默认偏大，你不主动调，它就按"够用偏多"来花。
**第三层：把推理模型当成通用模型。** 真正需要长思考的（复杂数学、架构设计、安全审计）可能只占你调用的两三成，其余七八成的分类、提取、改写，扔给 Haiku / Flash / GLM-5.1 的快思考档就够了——而且快 5–10 倍。
换句话说，账单里大概有一半，是"思考开太大"和"用错了模型"两件事叠出来的。下面三个开关，专门治这两个病。
## 三、三层止血法（可立刻执行）
```mermaid
flowchart TD
A[一个推理请求进来] --> B{需要复杂推理吗?}
B -- 否: 分类/提取/改写 --> C[开关2
改派快档模型
Haiku/Flash/GLM-5.1]
B -- 是: 数学/架构/审计 --> D{需要实时返回吗?}
D -- 否: 批处理/离线 --> E[开关3
Batch API 5折 + Prompt Caching 90%]
D -- 是 --> F[开关1
调低 reasoning_effort/budget_tokens]
F --> G[先 minimal/low 试跑
不够再升]
C --> H[同样动作:
能用缓存就用缓存]
E --> H
G --> H
H --> I[账单砍 50%-90%]
style A fill:#fff3e0
style I fill:#e8f5e9
style C fill:#e3f2fd
style E fill:#e3f2fd
style F fill:#e3f2fd
```
### 开关 1：把思考旋钮从 high 拧到 minimal
这是最快见效的一刀。同一个推理模型，思考档位一降，thinking token 断崖式下跌。
- **OpenAI 系**：`reasoning_effort` 从默认的 `medium` 调到 `low`，多数结构化任务质量几乎无损，思考量降一半以上；纯分类/校验直接上 `minimal`。
- **Anthropic 系**：把 `thinking` 的 `budget_tokens` 从动辄上万压到 1024–2048，明确告诉模型"别想太久"。需要长链推理时再临时调大。
- **关键习惯**：**默认低档，不够再加**，而不是默认高档省心。一个团队只要把默认 effort 降一档，推理相关支出通常立省 30%–50%。
操作就一行参数，但 90% 的人从没改过默认值——这就是认知差。
### 开关 2：别让简单任务占用推理模型
第二个开关是分流。把"判断""提取""格式转换"这类活儿，从 Opus/o 级模型挪到 Haiku / Gemini Flash / GLM-5.1 的非思考档。
为什么这步特别值钱？因为这类任务在真实业务里往往占调用总量的七成，却只产出两成的价值。用百倍价差的模型去做二分判断，是纯粹的浪费。国产推理模型（GLM-5.1 等）在中文结构化任务上单价远低于 Opus（约低一个数量级，以官方定价页为准），且 API 兼容、可直接替换——这是中国开发者独有的价格差红利。
注意：这条说的是"该派哪个模型"，与上面"思考档位"是两个独立的省钱维度，叠加使用。
### 开关 3：离线任务双杀——Batch 5 折 + Prompt Caching 9 折
凡是能等（不要求秒回）的批处理——夜间数据清洗、批量摘要、文档问答语料生成——立刻走 **Batch API**。OpenAI 和 Anthropic 的 Batch 都是 **约 50% 折扣、24 小时内异步返回**，本质是你拿"延迟"换"半价"。一晚上跑完和实时跑完，对结果没区别，钱省一半。
再叠一层 **Prompt Caching**：把稳定不变的 system prompt、长文档前缀缓存住，命中读取省约 90%（Anthropic 的 cache write 一次性贵 25%、cache read 便宜 90%，5 分钟 TTL；OpenAI 类似）。系统提示越长、重复越多，省得越狠。
两者可叠加：**半价 × 一折 = 原价的 5%**。注意一个坑——如前所述，思考 token 不能被缓存，所以 Batch + Caching 对"思考重"的请求主要省在输入侧；想省思考，还得靠开关 1 和 2。
## 四、真实账单拆解
一个真实场景：后台每天跑 1000 次"合同条款抽取"，平均每条：输入 6000 token（含长 system prompt + 文档），思考 3000 token，可见输出 500 token。
**优化前（Opus 级，实时，思考 high，不缓存）：**
| 项目 | Token 量 | 单价(参考) | 日成本 |
|---|---|---|---|
| 输入(每次重传) | 6,000 ×1000 | $15/MTok | $90 |
| 思考(不可缓存) | 3,000 ×1000 | $75/MTok | $225 |
| 输出 | 500 ×1000 | $75/MTok | $37.5 |
| **合计** | | | **≈$352/天 → 月 ≈$10,560** |
**优化后（三开关叠加）：**
- 开关 2：抽取任务派 GLM-5.1 快档，单价约为 Opus 输入/输出的 **1/10**
- 开关 1：抽取不需长推理，思考档降到 `minimal`，思考 token 从 3000 降到 ~300
- 开关 3：夜间 Batch 半价 + Prompt Caching 命中，输入按 10% 计
| 项目 | 优化后 | 月成本(估) |
|---|---|---|
| 输入(缓存命中×10%) | 6,000×10% ×1000 ×30 | ≈ 数十刀量级 |
| 思考(降到300) | 300 ×1000 ×30 | 显著下降 |
| 输出(Batch半价+1/10单价) | 500 ×1000 ×30 | 个位数刀 |
| **合计** | | **月省约 90%** |
> 上面用相对比例表达（1/10、90%、50%、10%），避免给你一个我无法逐项核实的精确到分的数字。**落地前务必拿你自己一周的调用量,在官方定价页对一次实际单价**——比例关系稳定，绝对值按你的实际价填。
## 五、信息差总结
| 维度 | 大多数人以为的 | 实际情况(信息差) |
|---|---|---|
| 思考 token | 不显示=不计费 | **照 output 全价计费,且不能缓存** |
| 账单结构 | 输出主要花在"回答"上 | **六成以上花在看不见的思考上** |
| effort/budget | 默认值就是最优 | **默认偏大,手动降一档立省 30%–50%** |
| Batch API | 跟实时一个价 | **5 折,24h 异步,离线任务必走** |
| Prompt Caching | 对所有重复都有效 | **对思考链无效,只省稳定前缀** |
| 国产推理模型 | 比 Opus 弱很多不能用 | **中文结构化任务单价低一个数量级,可直接替换** |
## 六、行动指南（今晚就能做）
1. **查日志**：翻一次你的 API usage，按模型拆"input / output"占比。如果 output 远大于你预期看到的回复量——思考 token 在烧钱。
2. **降默认档**：把所有推理调用的 `reasoning_effort` 调到 `low`、`budget_tokens` 压到 2048 以下，灰度一周看质量是否真掉。
3. **做任务分流**：列出调用清单，把分类/提取/改写类的请求路由到 Haiku/Flash/GLM-5.1，只把硬核推理留给 Opus/o 级。
4. **批处理挪到 Batch**：凡是容忍 24 小时的任务，全部改走 Batch API,直接半价。
5. **开 Prompt Caching**：固定长 system prompt 和文档前缀全部加 cache_control，重复请求的输入按一折算。
五步走完，推理相关的支出通常能砍掉一半到九成，而质量损失几乎不可感知。这就是 2026 年最被低估的省钱杠杆——不是换更便宜的模型那么简单，而是搞懂"思考"这条看不见的成本线。
## 参考来源
- Anthropic Batch Processing 官方文档（50% 折扣，24h 异步）：https://docs.anthropic.com/en/docs/build-with-claude/batch-processing
- Anthropic Prompt Caching 官方文档（cache read −90%）：https://docs.anthropic.com/en/docs/build-with-claude/prompt-caching
- Anthropic Extended Thinking 官方文档（thinking tokens 计费与 budget 控制）：https://docs.anthropic.com/en/docs/build-with-claude/extended-thinking
- OpenAI Batch API 指南（50% 折扣）：https://platform.openai.com/docs/guides/batch
- OpenAI Reasoning / reasoning_effort 参数文档：https://platform.openai.com/docs/guides/reasoning
---
> 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护。
> 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
> [!tip] 51学通信知识星球
> **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。
> **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。
> **当前规模**：5200 篇主题 / 990 个回答，198 元/年。
> **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。
> **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。
