Opus 4.7の増大したトークン消費量を抑制するプロンプト設計法

Claude Opus 4.7は性能面では怪物級のモデルですが、コスト面ではかなり厄介です。前モデルよりもトークン消費量が約35%増加しているためです。Anthropicが入力価格を$5/MTokに据え置いてはいるものの、実際に請求書を受け取ってみると数字が変わっているはずです。出力トークンの価格が入力より5倍高い$25/MTokであるという点を忘れてはなりません。モデルの優れた指示遂行能力を活用して回答の長さを物理的に短縮しなければ、財布は一瞬で空になります。

述語を捨てて記号で命令する

Opus 4.7は「親切に詳しく要約して」といった丁寧な文章に対して、むしろ浪費されるトークンが多くなります。このモデルは構造化された命令をはるかにうまく理解します。自然言語の指示事項をXMLタグと主要キーワード中心に書き換えることで、応答の長さを20%ほど削減できます。

• システムプロンプトの体質改善: 「あなたは役に立つアシスタントです」といった修飾語はすべて削除してください。代わりに Tone: Concise、Output: JSON only、Intro/Outro: None のように短いキーワードで仕様を定義するのが有利です。
• XMLタグの活用: 指示事項は <instructions>、背景情報は <context> タグで分離してください。モデルが情報を探索する演算効率が向上します。
• 推論プロセスの遮断: プロンプトの末尾に Skip reasoning: true フラグを入れてください。ユーザーに見せる必要のないモデルの「思考プロセス（Thinking process）」が出力トークンとしてカウントされるのを防ぎます。

画像分析コストを80%節約するパイプライン

Opus 4.7は2,576ピクセルの高解像度まで読み取りますが、その代償はリクエストあたり最大4,784トークンです。Anthropicの計算式 $Tokens \approx (Width \times Height) / 750$ を代入してみると、高解像度画像をそのまま投げるのは無謀な行為です。個人開発者やスタートアップであれば、インフラ段階で解像度を制御する必要があります。

1. 事前リサイジング: バックエンドで Sharp や Pillow ライブラリを使用し、画像の長辺を800pxに縮小して送信してください。UI分析や一般的な物体認識には、この程度の解像度で十分です。
2. Files APIの参照: 同じ画像について何度も対話する必要がある場合は、base64で毎回送信するのではなく、Files APIにアップロードして file_id だけを呼び出してください。
3. 部分クロップ(ROI)戦略: 精密に見る必要がある部分だけを高解像度で切り出し、残りは低解像度の全体ショットで送る二重構造を作ってください。画像関連のコストを80%以上削減しながら、正確性を確保できます。

Haikuをルーターとして使うハイブリッド設計

すべてのリクエストを Opus 4.7 で受けるのは、お金を捨てるようなものです。2026年現在、バックエンド設計の定石はコーディネーター・ワーカー（Coordinator-Worker）パターンです。比較的安価なモデルが一次分類を担当し、本当に困難なタスクだけを Opus に渡す方式です。

作業タイプ	推奨モデル	入力コスト(/MTok)	用途
アーキテクチャ、セキュリティ監査	Opus 4.7	$5.00	高難度の論理推論
コードレビュー、API連携	Sonnet 4.6	$3.00	速度と性能のバランス
単純要約、データ分類	Haiku 4.5	$0.25	コスト効率の最大化

費用削減の鍵はプロンプトキャッシュです。システムプロンプトや固定されたAPIドキュメントが1,024トークンを超える地点に cache_control: {"type": "ephemeral"} を設定してください。キャッシュヒット率を80%まで引き上げれば、繰り返される入力値に対して90%の割引を受けることができます。単純なルーティングとキャッシュの導入だけで、全体の運営費を半分以下に抑えることが可能です。

最後に、effort: low パラメータを使用して、モデルが自ら推論の深さを過剰に持たないよう制限してください。タスク予算（Task Budgets）機能を有効にしておくことも、突然のトークン急増を防ぐ安全装置になります。