Ir al contenido
Arara Code

Guías y comparativas

Cómo reducir el gasto de tokens al programar con IA

Para gastar menos tokens al programar con IA, envía solo el contexto necesario, reutiliza prefijos con prompt caching, usa modelos más pequeños en tareas simples y abre una sesión nueva para cada tarea. En las APIs, los tokens de entrada y de salida tienen precios distintos, y la salida suele costar más.

Arara Code

Publicado por el proyecto Arara Code con base en la documentación oficial citada.

De dónde viene el consumo de tokens

Los proveedores cobran por token procesado, con precios separados para entrada y salida, como muestra la tabla de precios de Anthropic. En planes con límite de uso, el mismo consumo agota la cuota antes.

En los agentes, cada paso reenvía el historial de la sesión. Por eso las sesiones largas, con muchas salidas de terminal y archivos grandes, consumen bastante más de lo que sugiere el pedido inicial.

Anthropic: precios de los modelos

El prompt caching reduce el costo del contexto repetido

El prompt caching reutiliza el prefijo repetido de un prompt. Según la documentación de Anthropic, las lecturas de caché cuestan el 10% del precio base de entrada; OpenAI aplica caché automática a prompts desde 1.024 tokens.

Para aprovecharlo, mantén estable el inicio del contexto: instrucciones, AGENTS.md y archivos de referencia primero, y lo que cambia en cada paso al final.

Anthropic: documentación de prompt caching

Contexto ligero y el modelo adecuado para cada tarea

Referencia solo los archivos necesarios en lugar de pegar todo el repositorio, e ignora carpetas como node_modules y dist. Resume las salidas largas de terminal antes de continuar.

Usa modelos más pequeños y baratos para renombrar, formatear y escribir pruebas simples, y reserva los más grandes para arquitectura y bugs difíciles. Elige un esfuerzo de razonamiento bajo cuando la tarea sea directa.

OpenAI: documentación de prompt caching

Control del consumo en Arara Code

Arara Code reúne Claude Code, Codex, Kiro y Antigravity en el mismo editor y permite cambiar la plataforma, el modelo y el esfuerzo por conversación. Cuando se agota el límite de un agente, continúa la tarea en otro.

Abre una conversación nueva por tarea, deja las instrucciones fijas en AGENTS.md y sigue los límites de tu cuenta en el medidor de uso del chat.

Repositorio de Arara Code en GitHub

Fuentes y lecturas adicionales

Leer en Markdown

Sigue explorando

Haz espacio para tu próxima idea.

Conoce Arara Code en tu propio proyecto. Empieza con el instalador y revisa los cambios que haga tu asistente.