Почему AI-кодинг расходует так много токенов? Loop Engineering и оптимизация затрат на AI-кодинг

Многие разработчики испытывают одно и то же удивление, начиная пользоваться современными AI-ассистентами для программирования: «Я всего лишь попросил AI исправить небольшую проблему. Почему он израсходовал тысячи токенов?»

Причина в том, что современные инструменты AI-кодинга — это уже не простые генераторы кода. Традиционные AI-ассистенты работали так:

Вопрос
    ↓
Ответ AI
    ↓
Готово

Однако такие инструменты, как Claude Code, OpenAI Codex и другие AI-агенты для программирования, работают совсем иначе. Они действуют через непрерывный цикл разработки, включающий понимание проекта, планирование изменений, редактирование файлов, выполнение команд, проверку результатов и исправление проблем.

Этот новый подход к разработке часто называют Loop Engineering (инженерия циклов).

Понимание того, как работает этот цикл, — ключ к пониманию того, почему AI-кодинг потребляет больше токенов и как разработчики могут значительно снизить затраты на API, не жертвуя продуктивностью.

Что такое Loop Engineering?

Loop Engineering описывает рабочий процесс разработки, в котором AI-агенты непрерывно взаимодействуют с программным проектом через множество циклов.

Вместо того чтобы сгенерировать код один раз, AI следует повторяющемуся циклу:

Понять
    ↓
Спланировать
    ↓
Изменить
    ↓
Выполнить
    ↓
Оценить
    ↓
Улучшить
    ↓
Повторить

Например, когда вы просите AI-агента добавить новую функцию, процесс может выглядеть так:

Запрос пользователя
    ↓
Прочитать структуру проекта
    ↓
Проанализировать существующий код
    ↓
Определить зависимости
    ↓
Составить план реализации
    ↓
Изменить несколько файлов
    ↓
Запустить тесты
    ↓
Проанализировать ошибки
    ↓
Исправить проблемы
    ↓
Завершить задачу

Каждый шаг требует дополнительных взаимодействий с моделью, а значит, каждый цикл потребляет больше токенов.

Почему AI-кодинг использует больше токенов, чем обычный чат

1. AI нужен контекст, прежде чем писать код

Обычный чат-бот может ответить на вопрос, используя лишь текущий диалог.

AI-агентам для программирования нужно гораздо больше информации:

• Структура проекта
• Существующие файлы
• Зависимости
• Соглашения по коду
• Предыдущие изменения
• Результаты тестов

Например, разработчик может попросить: «Добавь аутентификацию в это приложение.»

Инженер-человек сначала изучил бы:

• Текущую систему аутентификации
• Структуру базы данных
• Модель пользователя
• Настройки безопасности
• Существующие API

AI-агенты делают то же самое. Разница в том, что каждое чтение файла и каждый шаг анализа вносят вклад в расход токенов.

2. Каждый инженерный цикл создаёт дополнительный расход токенов

Самое большое различие между AI-чатом и AI-кодингом — количество циклов.

Простой разговор:

Промпт
    ↓
Ответ

Задача AI-кодинга:

Промпт
    ↓
Анализ
    ↓
Поиск файлов
    ↓
Чтение кода
    ↓
Планирование
    ↓
Редактирование
    ↓
Запуск теста
    ↓
Чтение ошибки
    ↓
Исправление
    ↓
Повторное тестирование

Один-единственный запрос на программирование может запустить несколько внутренних циклов рассуждений. Именно поэтому AI-агенты для программирования могут потреблять гораздо больше токенов, чем изначально ожидают пользователи.

3. Использование инструментов увеличивает расход токенов

Современные AI-агенты для программирования сильно зависят от инструментов. К распространённым инструментам относятся:

• Поиск файлов
• Выполнение в терминале
• Операции Git
• Анализ кода
• Фреймворки тестирования
• Интеграции MCP

Каждый вызов инструмента создаёт дополнительный контекст. Например:

AI
    ↓
Поиск файлов
    ↓
Чтение результата
    ↓
Анализ
    ↓
Изменение кода
    ↓
Запуск теста
    ↓
Анализ сбоя

Чем больше задействовано инструментов, тем больше становится контекст.

4. Долгие разговоры приводят к росту контекста

Многие разработчики держат один и тот же сеанс AI-кодинга открытым часами. Однако предыдущие обсуждения, изменения кода и отладочная информация могут оставаться частью контекста.

Сеанс может постепенно разрастаться:

В итоге даже простой запрос может потребовать обработки большого объёма предыдущей информации.

Настоящие факторы, определяющие стоимость AI-кодинга

Расход токенов обычно вызван несколькими факторами одновременно.

Как снизить расход токенов при AI-кодинге

Снижение затрат — это не просто выбор более дешёвой модели. Наибольшие улучшения дают оптимизация рабочего процесса.

1. Держите контекст AI чистым

Одно из самых простых улучшений — правильно управлять контекстом. Не позволяйте сеансам накапливать:

• устаревшие обсуждения;
• не относящуюся к делу историю отладки;
• ненужные файлы.

Для пользователей Claude Code такие команды, как /clear и /compact, помогают сократить лишний контекст.

Чистый контекст позволяет модели сосредоточиться на текущей задаче.

2. Используйте инструкции проекта вместо повторения промптов

Многие разработчики раз за разом отправляют одну и ту же информацию:

• Ты — старший инженер.
• Используй чистую архитектуру.
• Следуй нашему стилю кода.
• Пиши тесты.
• Проверяй проблемы безопасности.

Это тратит токены впустую.

Лучший подход — хранить инструкции уровня проекта в файлах вроде CLAUDE.md или в аналогичных конфигурационных файлах проекта.

AI сможет автоматически понимать:

• правила проекта;
• стандарты кодирования;
• архитектурные решения.

Это снижает накладные расходы на повторяющиеся промпты.

3. Используйте Skills вместо огромных промптов

Большие промпты с инструкциями — ещё один распространённый источник ненужного расхода токенов.

Вместо того чтобы загружать всё каждый раз:

50 КБ инструкций для разработчика
+
Задача
+
Репозиторий

разработчики могут использовать модульные skills. Например:

• /code-review
• /security-check
• /database-debug

Нужная возможность загружается только тогда, когда она требуется.

Это следует тому же принципу, что и программная инженерия: модульные системы проще в сопровождении и эффективнее.

4. Улучшайте инженерию промптов

Плохие промпты создают лишние циклы.

Плохой промпт: «Исправь эту проблему.» AI может потребоваться несколько раундов расследования.

Промпт получше:

• Проанализируй ошибку аутентификации.
• Определи первопричину.
• Измени только связанные файлы.
• Добавь регрессионные тесты.
• Сохрани существующую архитектуру.

Более чёткая цель уменьшает лишний поиск.

5. Выбирайте подходящую модель для каждого цикла

Разные задачи требуют разного уровня интеллекта. Распространённая ошибка — использовать самую дорогую модель для всего.

Лучший рабочий процесс:

Разработчики могут комбинировать несколько моделей вместо того, чтобы полагаться на одну модель на всех этапах.

6. Оптимизируйте маршрутизацию AI-моделей

По мере усложнения AI-разработки многие команды переходят к многомодельным рабочим процессам.

Типичный рабочий процесс:

Архитектура
    ↓
Claude
    ↓
Реализация
    ↓
Codex
    ↓
Проверка
    ↓
Claude
    ↓
Оптимизация
    ↓
GLM

Использование разных моделей на разных этапах может значительно снизить затраты при сохранении качества.

Платформы вроде DDS Hub поддерживают разные группы моделей для Claude, Codex и GLM, позволяя разработчикам выбирать подходящие ресурсы в зависимости от требований их рабочего процесса.

Как DDS Hub помогает разработчикам оптимизировать затраты на AI-кодинг

Для разработчиков, использующих несколько инструментов AI-кодинга, управление разными провайдерами может стать сложным.

DDS Hub предоставляет выделенные группы моделей для разных AI-экосистем, включая Claude, Codex и GLM.

Вместо того чтобы использовать одну дорогую модель для каждой задачи, разработчики могут выбирать подходящую группу моделей на основе:

• требований к кодингу;
• потребностей в стабильности;
• шаблонов использования API;
• соображений стоимости.

Например:

• Процессы на базе Claude могут сосредоточиться на рассуждениях и архитектуре.
• Процессы Codex могут сосредоточиться на скорости реализации.
• Процессы GLM могут обрабатывать сценарии, чувствительные к затратам.

Это позволяет разработчикам строить более гибкие рабочие процессы AI-кодинга, а не зависеть от одной модели.

Заключение

AI-кодинг потребляет больше токенов, потому что сама разработка ПО — это итеративный процесс.

Современные AI-агенты для программирования не просто генерируют код. Они участвуют в непрерывном инженерном цикле: понять → спланировать → изменить → протестировать → улучшить.

Этот рабочий процесс Loop Engineering обеспечивает гораздо более высокую продуктивность, но также порождает новые сложности вокруг расхода токенов и затрат на API.

Наиболее эффективная стратегия оптимизации — не просто сократить использование AI. Вместо этого разработчикам следует улучшить весь рабочий процесс:

• аккуратно управлять контекстом;
• использовать skills и инструкции проекта;
• писать более качественные промпты;
• выбирать подходящую модель;
• разумно комбинировать несколько AI-ресурсов.

По мере того как AI-кодинг продолжает развиваться, понимание Loop Engineering станет столь же важным, как и понимание Prompt Engineering.