Сучасна розробка програмного забезпечення дедалі більше спирається на автономних ІІ-агентів, здатних самостійно керувати кодом та зовнішніми інструментами. Проте за зовнішньою простотою інтерфейсу криється складний механізм передачі службового контексту, що безпосередньо впливає на вартість експлуатації та продуктивність системи. Порівняльний аналіз Claude Code та OpenCode виявляє фундаментальну різницю в підходах до оптимізації промптів та управління даними. Дослідження свідчить: надмірність системних інструкцій може збільшити витрати токенів майже уп'ятеро, не забезпечуючи при цьому пропорційного зростання якості результату.
В індустрії розробки ШІ-інструментів зараз відбувається перехід від простих чат-ботів до повноцінних агентів, які мають доступ до файлової системи та термінала. Ключовим фактором ефективності таких систем стає не лише якість самої мовної моделі, а й те, як саме агент пакує запит перед відправленням через API. Дослідники з Systima провели детальний аналіз двох популярних рішень — Claude Code та OpenCode, використовуючи модель Claude Sonnet 4.5 як спільне обчислювальне ядро. Для забезпечення прозорості процесу між інструментами та API було встановлено проксісервер, що фіксував кожен байт переданої інформації: від вхідних токенів до операцій кешування.
Найбільш показовим став тест на «мінімальне навантаження», де агентів попросили просто надіслати повідомлення «OK». Попри мізерний обсяг користувацького запиту у 22 символи, Claude Code перетворив це завдання на масивний пакет даних. Разом із коротким текстом модель отримала системні інструкції обсягом 27,3 тисячі символів та детальні описи 27 доступних інструментів, що зайняли ще 100 тисяч символів. У сукупності службовий контекст створив величезний «цифровий слід», який фактично оплачується користувачем при кожній взаємодії.
OpenCode продемонстрував принципово інший підхід до оптимізації. Його системні інструкції зайняли лише 9,3 тисячі символів, а схеми десяти інструментів — близько 20,9 тисячі. Основний розрив виявився саме в описі функцій: там, де Claude Code витрачав 24 тисячі токенів, OpenCode обходився чотирма тисячами. Навіть за повного відключення інструментарію, коли порівнювалися лише «чисті» системні промпти, різниця залишалася відчутною: 6,5 тисячі токенів у продукту Anthropic проти 2 тисяч у альтернативного рішення.
Ця різниця в ефективності стає критичною при переході до реальних завдань. У сценарії з аналізом та сумаризацією файлу обидва агенти впоралися із завданням коректно, проте вартість цього результату виявилася неспівмірною. Claude Code знадобилося шість запитів і майже 200 тисяч вхідних токенів. OpenCode вирішив задачу за чотири ітерації, витративши лише 41 тисячу токенів. Таким чином, при ідентичному результаті один інструмент виявився майже у п'ять разів економічнішим за інший.
Крім базових інструкцій, на вартість контексту впливають зовнішні чинники, такі як файли конфігурації проєкту та використання MCP-серверів (Model Context Protocol). Наприклад, наявність файлу AGENTS.md обсягом 72 КБ додає фіксоване навантаження у 20 тисяч токенів до кожного запиту, незалежно від обраного інструменту. П'ять невеличких MCP-серверів збільшують обсяг контексту ще на кілька тисяч токенів.
Однак справжня «інфляція» ресурсів починається при делегуванні завдань субагентам. У складних сценаріях, де основний агент створює допоміжних помічників для вирішення вузьких задач, витрати токенів зростають експоненціально. В одному з тестів використання двох субагентів збільшило витрати Claude Code зі 121 тисячі до 513 тисяч токенів. Це підкреслює фундаментальну проблему сучасних агентських систем: що складнішою є ієрархія управління, то вищим стає «податок» на передачу контексту, що робить оптимізацію службових даних пріоритетним завданням для масштабування ШІ-розробки.
Обчислювальний суверенітет та експансія Z.AI
