Современная разработка программного обеспечения всё больше полагается на автономных ИИ-агентов, способных самостоятельно управлять кодом и внешними инструментами. Однако за внешней простотой интерфейса скрывается сложный механизм передачи служебного контекста, который напрямую влияет на стоимость эксплуатации и скорость работы системы. Сравнение Claude Code и OpenCode обнажает критическую разницу в подходах к оптимизации промптов и управлению данными. Исследование показывает, что избыточность системных инструкций может увеличивать расход токенов почти в пять раз без соразмерного прироста в качестве результата.
В индустрии разработки ИИ-инструментов сейчас происходит переход от простых чат-ботов к полноценным агентам, которые обладают доступом к файловой системе и терминалу. Ключевым фактором эффективности таких систем становится не только качество самой языковой модели, но и то, как агент упаковывает запрос перед отправкой в API. Исследователи из Systima провели детальный анализ двух популярных решений — Claude Code и OpenCode, используя модель Claude Sonnet 4.5 в качестве общего вычислительного ядра. Для обеспечения прозрачности процесса между инструментами и API был установлен прокси-сервер, фиксирующий каждый байт передаваемой информации: от входных токенов до операций кэширования.
Наиболее показательным стал тест на «минимальную нагрузку», где агентов попросили просто отправить сообщение «OK». Несмотря на ничтожный объем пользовательского запроса в 22 символа, Claude Code превратил эту задачу в массивный пакет данных. Вместе с коротким ответом модель получила системные инструкции объемом 27,3 тысячи символов и детальные описания 27 доступных инструментов, занимающие еще 100 тысяч символов. В совокупности служебный контекст создал огромный «цифровой след», который фактически оплачивается пользователем при каждом взаимодействии.
OpenCode продемонстрировал принципиально иной подход к оптимизации. Его системные инструкции заняли всего 9,3 тысячи символов, а схемы десяти инструментов — около 20,9 тысячи. Основной разрыв обнаружился именно в описании функций: там, где Claude Code тратил 24 тысячи токенов, OpenCode обходился четырьмя тысячами. Даже при полном отключении инструментария, когда сравнивались только «чистые» системные промпты, разница оставалась ощутимой: 6,5 тысячи токенов у продукта Anthropic против 2 тысяч у альтернативного решения.
Эта разница в эффективности становится критической при переходе к реальным задачам. В сценарии с анализом и суммаризацией файла оба агента справились с задачей корректно, однако цена этого результата оказалась несопоставимой. Claude Code потребовалось шесть запросов и почти 200 тысяч входных токенов. OpenCode решил задачу за четыре итерации, затратив всего 41 тысячу токенов. Таким образом, при идентичном результате один инструмент оказался почти в пять раз экономичнее другого.
Помимо базовых инструкций, на стоимость контекста влияют внешние факторы, такие как файлы конфигурации проекта и использование MCP-серверов (Model Context Protocol). Например, наличие файла AGENTS.md объемом 72 КБ добавляет фиксированную нагрузку в 20 тысяч токенов к каждому запросу, независимо от выбранного инструмента. Пять небольших MCP-серверов увеличивают объем контекста еще на несколько тысяч токенов.
Однако настоящая «инфляция» ресурсов начинается при делегировании задач субагентам. В сложных сценариях, где основной агент создает вспомогательных помощников для решения узких задач, расход токенов растет экспоненциально. В одном из тестов использование двух субагентов увеличило затраты Claude Code с 121 тысячи до 513 тысяч токенов. Это подчеркивает фундаментальную проблему современных агентских систем: чем сложнее иерархия управления, тем выше налог на передачу контекста, что делает оптимизацию служебных данных приоритетной задачей для масштабирования ИИ-разработки.
Суверенитет вычислений и экспансия Z.AI
