Anthropic 分享三个方法：用 Claude Platform 降本增效

Anthropic 团队发布文章，讲解使用 Claude Platform 降低成本并提升性能的三个方法：优化 prompt cache 命中率、清除升级到前沿 Claude 模型后的提示词反模式、校准 effort。这些手段可在不牺牲性能的情况下降低成本，为开发者和企业提供实践指导。

Anthropic 官方首次系统性地提出通过 prompt cache 优化、提示词清理和 effort 校准来降本增效，为企业使用 Claude Platform 提供了官方指引，改变了此前缺乏权威成本优化方案的局面。

prompt cache 命中率提升可减少重复计算成本；清除升级模型后的提示词反模式可避免无效输入；校准 effort 控制计算投入。三个方法共同作用，在保持性能前提下优化推理成本。

对使用 Claude API 的产品和研发团队，可依据官方建议优化自身提示词和缓存策略，降低 API 调用成本，同时避免性能下降。

• 针对自身 Claude 调用场景，检测 prompt cache 命中率并实施优化方案，评估成本降低幅度。
• 更新提示词模板，消除针对旧模型设计的反模式，提升新模型下的效率与稳定性。
• 构建成本监控仪表盘，关联 prompt cache 与 effort 设置，实现成本可视化与预警。

• 具体如何提升 prompt cache 命中率，有无量化指标或最佳实践细节？
• “提示词反模式”具体指哪些常见模式？
• effort 校准的适用场景和调参建议是什么？
• 三个方法的实际降本效果是否经过基准测试验证？