#tokens

この症状クラスタに含まれる 2 件の issue は、見え方は違いますが、どちらも「リクエストの中身が大きすぎる／重なりすぎる」方向の問題として読めます。 ただし、実際に `invalid_request_error\` というエラー文字列が本文中にそのまま出ている issue は、今回渡された情報の中にはありません。そこは断定できません。検索用の文字列としてタイトルには入れていますが、報告内容ベースで確認できるのは以下です。 まず、[ #37793 ](https://github.com/anthropics/claude-code/issues/37793) では、MCP サーバーを多数ユーザー側で設定していると、サブエージェントが開始直後に `prompt is too long: 209117 tokens > 200000 maximum` で失敗すると報告されています。しかも TUI には `Done (0 tool uses · 0 tokens · 44s)` と出て、ユーザーにはエラーが見えにくかった、とあります。 この報告だけを見ると、サブエージェントに渡るプロン

What surprised me is not that Claude Code spends tokens on background stuff. That part is obvious once you think about it. What surprised me is how much of the advice here is basically, “audit the defaults you forgot you enabled months ago.” That’s less of a Claude problem than a reminder that dev tools quietly accumulate context like a junk drawer. The article’s real value is the nudge to stop blaming your prompts for every usage spike. If you’re hitting limits fast, the first thing I’d check i

What jumped out at me isn’t the “90% token reduction” claim. It’s the more modest and more interesting idea underneath: most of the waste in agentic coding is dumb I/O, and we keep paying frontier-model prices for it out of habit. That sounds obvious once someone says it, but I still think a lot of teams are resisting the practical implication. They want one magical agent that does everything. This article is arguing for something less glamorous and, probably, more useful: split the job. Let a c

What jumped out at me isn’t the token compression itself — that part is believable in spirit — it’s the confidence of the whole package. “Works with every AI agent” is the kind of line I read twice. In practice, “every” usually means “any agent that can shell out and tolerate our conventions,” which is a much smaller claim. That doesn’t make the project uninteresting. It just makes me want to test it instead of taking the README at face value. The core idea is sensible: MCP tool discovery and to

DeepSeekのAPI料金ページは、ひとことで言うと「使った分だけ払う、でもその“使った分”の数え方がちょっと大事」という話です。 AI APIに慣れていない人にはやや取っつきにくいですが、内容自体はかなり整理されていて、料金の見え方もわかりやすい部類だと思います。 料金は 1M tokens（100万tokens）あたり で表示されている token は文章の最小単位で、単語・数字・記号などが含まれる 課金は input tokens + output tokens の合計で決まる 現在の主なモデルは deepseek-v4-flash と deepseek-v4-pro context length は 1M とかなり長い max output は 384K JSON Output / Tool Calls / Chat Prefix Completion は両モデルで対応 FIM Completion は non-thinking mode のみ対応 旧モデル名の **deepseek-chat /

`tokenspeed` は、LLMの tokens-per-second（1秒あたりに出るtoken数） を「数字」ではなく「体感」で理解するためのツール `code` / `text` / `think` / `agent` の4モードがあり、出力内容によって「同じ速度でも速くも遅くも感じる」ことを見せてくれる 5 tok/s から 800 tok/s までのプリセットがあり、実際のモデル速度の感覚をつかみやすい tokenの数え方は各社の厳密なtokenizerではなく、BPE風の近似 「tok/sの数字は同じでも、コードと文章では体感がまるで違う」という点が、このツールの一番おもしろいところ LLMのベンチマークを見ていると、よく出てくるのが「47 tok/s」「180 tok/s」「500 tok/s」といった数字です。 でも正直、こういう数字ってピンと来にくいんですよね。 1秒に30 tokenって、速いの？ 遅いの？ 生活の中のどの感覚に近いの？ となりがちです。 そこで登場するのが `tokenspeed` です。 これは、LLMが出力する to

AI agents は、普通の ChatGPT 的な使い方より はるかに多くの tokens を消費しがち その理由は、agent が 考える・試す・失敗する・やり直す を何度も繰り返すから 使った分だけ課金される仕組みでは、成功しても失敗しても請求が増える 実際に、チーム規模が小さい会社でも 予想外の高額請求 が起きている しかも厄介なのは、事前に正確な請求額を予測しにくいこと この記事が扱っているテーマは、いまのAI業界でかなり重要です。 それは 「AI agents は便利だけど、気づかないうちにすごい勢いでお金を使う」 という問題です。 ここでいう AI agent とは、単に質問に答えるAIではなく、 「目的を与えると、自分で手順を考えながら作業を進めるAI」のことです。 たとえば、コードのバグ修正、調査、要約、ファイル操作、タスク分解などを自動でやるタイプですね。 普通のChatGPTの使い方なら、1回の質問で1回の回答が返ってきます。 でもagentは違います。 途中で「どう進めるか」を考え、必要なら何度もツールを呼