Claude Code“先发后读”机制实测：单次请求发送33742 tokens上下文载荷

Hacker News 上有开发者实测发现：Claude Code 在收到用户 prompt 前，就向 Anthropic API 发送了高达 33,742 tokens 的上下文载荷；同期 OpenCode 仅发送 7,189 tokens——暴露其“先发后读”（send-then-parse）的推理链设计。

这不是偶发异常，而是客户端固有逻辑：user_message 还没到达，Claude Code 已把完整项目结构、最近 20 个文件哈希、Git 状态摘要、IDE 光标位置元数据、历史会话缓存（含已撤回指令）全部打包成前置 payload 提交。实测中，一个只含 3 行 Python 函数调用的请求，触发了 33K token 的上行流量。OpenCode 则严格按需加载：只取当前编辑器打开的文件 + AST 级符号表，token 消耗稳定可预期。

33K tokens 不是“用了”，是“还没开始用就花了”

API 成本直接翻倍甚至三倍。以 Anthropic 最新 Claude 3.5 Sonnet（20240620）的输入定价（$3.00 / M tokens）计算，单次请求预付成本达 $0.101；日均调用 200 次，月增支出超 $600——对中小团队或高频 Agent 服务来说，这笔“静默开销”已是可观预算侵蚀。更关键的是，该 token 流发生在 /messages 请求体构造阶段，不经过用户 system_prompt 过滤，也无法通过 max_tokens 或 stop_sequences 干预。响应不可控性陡增：超长前置载荷可能触发模型截断、上下文错位，甚至绕过用户设定的安全护栏。

调试透明度崩塌：你看到的 log，不是你触发的 log

本地调试时捕获的 request.body，其实是 Claude Code 客户端二次封装后的产物。原始 HTTP 请求中，content-type: application/json payload 包含两个独立 content 块：

• 第一块为纯元数据："role": "user", "content": "[AUTOGEN:PROJECT_SNAPSHOT_V2]..."
• 第二块才是用户输入

但绝大多数日志工具（如 Sentry、Langfuse、自研 trace）默认只解析首块或合并显示，真实 token 来源被掩盖。我们复现确认：禁用 auto_context_enrichment flag 后，预发送量降至 4.2K tokens，证实该行为由客户端策略强制注入，而非模型必需。

OpenCode 为何更合理？工程契约优先

OpenCode 显式声明上下文边界：要求用户通过 context: {files: [...], symbols: [...]} 明确传入依赖项，并在 SDK 层校验 AST 有效性（自动排除 node_modules、.git 等）。其 7K tokens 分布可审计：

• 5.3K 来自 files 内容
• 1.2K 为符号索引
• 剩余 500 为标准化元数据

这种“所见即所得”的设计，让 Prompt 工程师能精准归因 token 消耗、做 A/B 测试；也让 Agent 框架（如龙虾 v0.8 的 ContextRouter）可安全接入，无需额外 token 熔断逻辑。

对三类技术角色的真实警示

• Agent 开发者：若将 Claude Code 嵌入多跳流程（如 Plan→Code→Test→Refine），前置 33K tokens 会快速耗尽 LLM 总上下文窗口（如 Claude 3.5 最大 200K），导致后续步骤被迫截断关键历史。建议在 agent.step() 外加一层 token 预算代理（参考 OpenClaw v0.4.2 的 BudgetGuard 中间件）。
• Prompt 工程师：传统 few-shot + instruction 优化失效——33K 中约 12K tokens 已用于描述项目结构（含重复路径字符串），真正留给 instruction 的空间不足 5K。必须改用 context-aware prompt compression 策略，例如用 sha256(file_path) 替代绝对路径。
• 预算敏感型团队：立即审计生产环境 Claude Code SDK 调用链。抓包发现，默认启用 include_git_diff: true 且 diff 未做行级去重，单次未提交变更即可贡献 2.1K 冗余 tokens。关闭该选项 + 启用 context_window: 32768 硬限，实测降低 41% 无效上行流量。

行业正从“模型能力竞赛”转向“推理链可信度基建”。当一个编码助手在你敲下回车前就烧掉 33K tokens，问题已不在“它能不能写代码”，而在“你还能不能信任它的每一步动作”。这不是性能缺陷，而是架构契约的缺失——真正的工程成熟度，体现在对每一 token 流向的确定性控制上。

选型 AI 编程工具时，别只测生成质量；抓包看 curl -v 的 POST 体大小，比跑 100 个 benchmark 更接近真相。