Como reduzir os custos da API do Claude 3.5 Sonnet em 40% com estratégias de prompt\n\n## Abandone a polidez e use comandos: a redução linguística\n\nO hábito de pedir educadamente à IA faz sua carteira emagrecer. Expressões como “por favor” ou “eu gostaria que você fizesse” são apenas ruídos irrelevantes para o modelo, que se traduzem diretamente em custos computacionais. De acordo com pesquisas do framework KERNEL, ao remover esses adornos e usar uma estrutura imperativa direta, a taxa de sucesso na primeira tentativa salta de 72% para 94%. Os tokens de entrada diminuem cerca de 70%. Não há necessidade de conexão emocional com o modelo. Uma linha de instrução clara acelera a resposta 3 vezes mais do que 500 caracteres de contexto desnecessário.\n\n### Métodos de compressão de instruções\n\n * Remova predicados: Elimine todas as saudações no início e no fim do prompt.\n * Conversão focada em verbos: Em vez de “Por favor, resuma a seguinte frase”, use “Resumo da frase:”. “Exiba o resultado em formato JSON” pode ser apenas “Format: JSON”.\n * Uso de símbolos: Separe itens com traços (-) ou dois pontos (:) e envolva restrições importantes em colchetes ([ ]) para que o modelo as identifique instantaneamente.\n\nCom essas mudanças, o custo para 1.000 chamadas cai de $0,267 para $0,081. Além de economizar dinheiro, reduz-se a probabilidade de o modelo alucinar, então não há motivo para não aplicar.\n\n-----\n\n## Mapeamento de palavras-chave para conter tokens de saída\n\nAo extrair dados de textos não estruturados, não dê liberdade ao modelo. No momento em que o modelo começa a adicionar explicações, o custo dos tokens de saída dispara. Lembre-se que os tokens de saída são 5 vezes mais caros que os de entrada. O ProjectDiscovery reduziu o volume de saída em mais de 80% simplificando os sistemas de classificação. Não é necessário ouvir a palavra “Positivo” por extenso; um simples “P” é suficiente.\n\n### Otimização de extração de dados\n\n * Mapeamento de códigos: Defina no topo do prompt “C1: Pagamento, C2: Bug, C3: Consulta” e ordene que ele exiba apenas o valor do código.\n * Abreviação de chaves JSON: Use nomes curtos como “s” em vez de nomes longos como “sentiment_analysis_result”. Adicione a frase “Just output the JSON, no preamble” para bloquear qualquer introdução na origem.\n * Implementação de mapeamento reverso: Deixe que o código Python ou Node.js do seu servidor processe a tarefa de mostrar “Pagamento” ao usuário quando o modelo retornar “C1”.\n\nUsando este método, os tokens de saída por chamada tornam-se fixos em 1 ou 2. Erros de processamento (parsing) desaparecem e os custos são reduzidos levemente em mais de 40%.\n\n-----\n\n## Priorização de dados estáticos para aumentar a taxa de acerto do cache\n\nO Prompt Caching da API do Claude, quando bem utilizado, reduz os custos de entrada em até 90%. No entanto, o cache funciona comparando o conteúdo a partir do início; se até mesmo 1 byte mudar na frente, o cache é quebrado. Há casos em que a taxa de acerto do cache subiu de 7% para 84% apenas movendo os dados dinâmicos para o final do prompt. Uma simples mudança de posição altera o valor da fatura.\n\n### Princípios de posicionamento\n\n * Dados fixos no topo: Coloque conteúdos que não mudam, como a persona do sistema e definições de ferramentas, no topo. Abaixo deles, posicione documentos de referência volumosos.\n * Configuração de marcadores de cache: Logo após a seção que não muda, insira o marcador cache_control: {"type": "ephemeral"} para declarar o ponto de cache.\n * Dados dinâmicos no final: Variáveis que mudam a cada vez, como o conteúdo da pergunta, ID do usuário ou hora atual, devem obrigatoriamente ficar após o marcador de cache, ou seja, na base do prompt.\n\nO custo, que era de $0,06 para 20k tokens, torna-se um décimo ($0,006) ao atingir o cache. Para serviços que lidam com grandes volumes de documentos, este é o ponto onde a própria estrutura de lucro muda.\n\n-----\n\n## Chain of Draft (CoD) para evitar raciocínios prolixos\n\nAo pedir para “pensar passo a passo (CoT)” para resolver problemas complexos, o modelo despeja processos longos como se estivesse escrevendo um diário. Tudo isso é custo. A alternativa é o CoD (Chain of Draft). Instrua o modelo a raciocinar de forma curta, como notas de rascunho, usando no máximo 5 palavras.\n\n### Como aplicar o CoD\n\n * Ativar modo rascunho: Especifique no prompt do sistema: “Registre o pensamento de cada etapa em formato de rascunho com menos de 5 palavras”.\n * Especificar fontes: Se estiver preocupado com alucinações, adicione uma condição mínima de verificação como “Indique o trecho base com a tag ”.\n * Cláusula de exceção: Evite a queda de qualidade deixando uma saída que permita descrições detalhadas apenas em casos realmente complexos.\n\nMantendo a precisão, você pode economizar até 92% dos tokens de saída. O tempo de latência da resposta também cai pela metade.\n\n-----\n\n## Monitoramento de custos em tempo real e análise de lucro\n\nToda essa otimização só faz sentido se for visível. Um serviço de e-commerce com 300.000 chamadas mensais pode ver seus custos caírem de $4.500 para $660 ao combinar Prompt Caching e CoD. É como se um lucro operacional de cerca de 5 milhões de won por mês surgisse apenas com algumas linhas de modificação de prompt.

Gestão pós-implementação

• Integração de ferramentas: Utilize Helicone ou Langfuse para visualizar quanto do seu cache está realmente sendo aproveitado e onde os custos estão vazando.
• Bloqueio automático: No ambiente de desenvolvimento, crie um arquivo .claudeignore para evitar que arquivos desnecessários sejam incluídos no contexto.
• Conversão em lucro: Mantenha a fórmula $Cost = N \times (T_{in} \times P_{in} + T_{out} \times P_{out})$ em uma planilha e monitore o desempenho semanalmente.\n\nApague o “obrigado” do seu prompt de sistema e mude a ordem dos dados hoje mesmo. Esse pequeno incômodo transforma sua fatura mensal em lucro.