Paano talaga gumagana ang Anthropic API billing

Mabilis na sagot: para saan ka talaga sinisingil

Sinisingil ng Anthropic ang Claude API bawat token, prepaid. Bumibili ka ng credits sa developer console, at bawat request ay bumabawas sa balanseng iyon sa tatlong meter: input tokens (lahat ng ipinapadala mo), output tokens (lahat ng nilikha ng model, kasama ang thinking tokens), at prompt cache traffic (ang writes ay sinisingil sa 1.25x ng input rate, ang reads sa 0.1x). Walang subscription para sa API mismo, at ang Claude Pro o Max subscription ay hindi kasama ang API credits. Ang output ang mahal na meter. Nakalista ang Claude Sonnet 4.6 sa $3.00 kada isang milyong input token at $15.00 kada isang milyong output token, isang 5x na agwat. Nakalista ang Claude Opus 4.7 sa $5.00 papasok at $25.00 palabas. Kung mas mataas ang bill mo kaysa sa inaasahan, tingnan muna ang output volume at ang paglaki ng conversation history bago ang kahit ano pa.

Ang tatlong meter: input, output, at cache tokens

Higit pa sa mensahe ng user ang saklaw ng input. Ang system prompt, ang buong conversation history, tool definitions, tool results, at mga larawan ay binibilang lahat bilang input tokens sa bawat request na may kasama ang mga ito. Saklaw ng output ang lahat ng isinusulat pabalik ng model, at sa mga reasoning-capable na model, kasama rito ang thinking tokens na maaaring hindi mo man lang ipakita sa user. Ang prompt caching ang ikatlong meter at ang pinakabihirang gamitin ng mga team. Minamarkahan mo ang isang stable prefix (mahabang system prompt, isang dokumento, isang fixed tool list) gamit ang cache_control breakpoint. Ang unang request ay nagbabayad ng write premium na 1.25x ng input rate para sa default na 5-minutong cache; ang bawat request na gumagamit muli ng prefix sa loob ng window ay babasahin pabalik sa 0.1x. May available ring 1-oras na cache sa 2x na write rate. Nasa ibaba ang buong rate card para sa dalawang flagship na Claude model sa opisyal na list price.

Isang halimbawang kalkulasyon: isang chatbot, isang araw

Kunin natin ang isang support chatbot sa Claude Sonnet 4.6 sa opisyal na rate: 10,000 request kada araw, bawat isa ay may dalang 2,000-token system prompt kasama ang 1,500 token ng history at mensahe ng user, sinagot ng 500-token na tugon. Ipinapakita ng talahanayan ang parehong workload na may at walang cached system prompt. Kung walang caching, $180.00 ang gastos sa isang araw, mga $5,400 kada buwan. Ang pag-cache sa system prompt (ipagpalagay na mga 300 cache expiration kada araw sa 5-minutong window) ay nagpapababa nito sa humigit-kumulang $128 kada araw, mga $3,840 kada buwan. Pansinin kung ano ang hindi gumalaw: ang gastos sa output. Ang caching ay nakaaapekto lamang sa input, kaya naman mas mahalaga ang disiplina sa output kaysa sa alinmang iba pang lever.

Bakit nagugulat ang mga team sa Anthropic bill

Apat na pattern ang sumasagot sa karamihan ng usapang "bakit ilang beses na mas mataas ang bill kaysa sa estimate." 1. Ang output ay 5x ng input, at ang thinking ay binibilang bilang output. Nakabatay ang mga estimate sa input rate dahil ito ang unang numerong nabanggit. Pero ang mahahabang sagot, verbose na formatting, at extended thinking ay lahat sinisingil sa output rate. Ang isang model na nag-iisip ng 3,000 token bago sumagot ng 500 ay sinisingil ng 3,500 output tokens para sa isang tila maikling tugon. 2. Ang history ay muling sinisingil sa bawat turn. Stateless ang API, kaya bawat turn ay muling nagpapadala ng buong conversation bilang input. Ang isang chat na 20 turns ang average ay hindi nagkakahalaga ng 20x ng iisang turn; mas mataas pa ito, dahil ang turn 20 ay dala-dala ang naunang 19 turns bilang input. Lumalaki ang input cost nang halos parisukat sa haba ng conversation maliban kung i-trim o i-summarize mo ito. 3. Magkahiwalay ang subscriptions at API credits. Sinasaklaw ng Claude Pro at Max ang mga Claude app, hindi ang API. Inaakala ng mga team na sinasagot ng subscription ang API traffic, tapos matutuklasan na palihim palang bumabawas ang console mula sa isang prepaid balance na may naka-enable na auto-reload. 4. Lahat ng nasa request ay input, at mahirap i-attribute. Ang tool definitions, tool results, larawan, at system prompts ay sinisingil bilang input sa bawat request na may kasama ang mga ito. Ikalat mo iyon sa ilang API key, environment, at feature nang walang per-key logging, at walang makapagsasabi kung aling feature ang gumastos hanggang dumating ang invoice.

Anthropic laban sa OpenAI billing, tabi-tabi

Parehong paraan ng pagsukat ang dalawang provider: bawat token, hiwalay na rate para sa input at output, prepaid credits bilang default. Ang mga pagkakaiba na mahalaga sa iyong bill ay nasa cache mechanics at spend controls. Ang praktikal na pagkakaiba ay ang caching. Awtomatikong inilalapat ng OpenAI ang prompt caching nang walang write fee at may diskwento sa cached na bahagi. Kailangan mong mismong maglagay ng cache_control breakpoints sa Anthropic, sisingilin ka ng write premium, at babayaran ka pabalik ng mas murang reads sa 0.1x ng input rate. Para sa mga workload na may mahaba at stable na prompt, ang Anthropic caching kapag ginawa nang tama ay ang mas malakas na lever; kapag mali ang pagkakagawa (isang timestamp sa system prompt, isang unstable na tool list), hindi ito tatamaan kailanman nang tahimik at babayaran mo ang buong presyo kasama ang write premiums.

Paano tantiyahin ang iyong Anthropic API cost bago mag-ship

Kasama sa bawat API response ang isang usage object na may eksaktong input_tokens at output_tokens, kasama ang cache_creation_input_tokens at cache_read_input_tokens kapag aktibo ang caching. Ang object na iyon ang ground truth. Ang mga client-side tokenizer na ginawa para sa ibang provider ay hindi tumpak sa pagbibilang ng Claude tokens, kaya huwag gamitin ang mga ito para tumantiya. Ang proseso: magpadala ng ilang representative na request, basahin ang usage object, at kunin ang average ng bilang. Pagkatapos ilapat ang formula: cost = (input_tokens / 1,000,000 x input rate) + (output_tokens / 1,000,000 x output rate), dagdag ang cache write at read terms kung nagca-cache ka. I-multiply sa inaasahang daily volume, at para sa mga multi-turn na produkto magdagdag ng growth headroom dahil itinutulak ng history ang input pataas sa bawat turn. Naglalantad din ang Anthropic ng count_tokens endpoint kung gusto mong makita ang bilang bago magpadala ng kahit ano.

curl https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-sonnet-4-6",
    "max_tokens": 1024,
    "messages": [{"role": "user", "content": "Summarize this ticket: ..."}]
  }'

# Kasama sa response ang ground truth para sa iyong cost model:
# "usage": {"input_tokens": 2412, "output_tokens": 486,
#           "cache_read_input_tokens": 0, "cache_creation_input_tokens": 0}

Limang paraan para bawasan ang iyong Anthropic API bill

Ang ikalimang taktika ang pinagkikitaan ng isang gateway. Ang APIsRouter ay isang OpenAI-compatible gateway na nagta-tala ng model, input tokens, output tokens, at eksaktong dollar cost bawat request, bawat API key, kaya ang bawat feature o environment ay may sariling key at sariling linya sa usage view. Nakalista nito ang Claude Sonnet 4.6 sa $2.40 input at $12.00 output kada isang milyong token at ang Claude Opus 4.7 sa $4.00 at $20.00, mas mababa sa opisyal na list, sinisingil nang pay as you go nang walang subscription; dodoblehin ang unang top-up sa /topup. Ang pag-point ng existing OpenAI SDK integration papunta rito ay dalawang-linyang pagbabago lamang:

• I-cache ang iyong mahaba at stable na prefixes. Ang isang system prompt o dokumento na paulit-ulit sa mga request ay sinisingil ng ikasampung bahagi lamang ng input rate sa bawat cache read pagkatapos ng unang write.
• I-trim ang history at i-cap ang max_tokens. Mag-summarize o mag-drop ng lumang turns sa halip na muling ipadala ang mga ito, at itakda ang max_tokens sa kinakailangan lang ng gawain para hindi makapagsingil ang isang tumatakbong sagot ng libu-libong dagdag na output tokens.
• Mag-route ayon sa gawain, hindi sa ugali. Itago ang Opus para sa mga hakbang na kailangan talaga ito at itulak ang bulk na classification, extraction, at drafts sa mas murang model tulad ng deepseek-v4-flash o glm-5.
• I-batch ang anumang asynchronous. Pinoproseso ng Batches API ang mga request sa loob ng 24 oras sa kalahati ng presyo, perpekto para sa backfills, evals, at nightly jobs.
• Ilagay ang per-key cost visibility sa harap ng iyong traffic. Karamihan sa mga sorpresang bill ay isyu sa attribution: walang makapagsasabi kung aling feature o customer ang gumastos hanggang dumating ang invoice.

from openai import OpenAI

client = OpenAI(
    api_key="sk-APIsRouter-...",
    base_url="https://api.apisrouter.com/v1",
)

response = client.chat.completions.create(
    model="claude-sonnet-4-6",
    messages=[{"role": "user", "content": "Summarize this ticket: ..."}],
)

# Bumabalik ang token counts sa bawat response; ang gateway console
# ay dagdag pang nagtatala ng eksaktong gastos ng request na ito sa ilalim ng key na ito.
print(response.usage.prompt_tokens, response.usage.completion_tokens)

Mga madalas itanong