MCP 工具只会增加、而不会减少你的 Claude Code 输入 Token 账单；你通过清理工具发送的每个提示词最终都会消耗更多 Token，从而花费更多资金。追求降低 API 成本的开发者往往会寻求基于 MCP 的清理工具，误以为它们会在模型看到提示词之前对其进行缩减。

为什么 Token 计量器至关重要

当你的文本到达模型的上下文窗口时，Claude Code 就会立即开始计算 Token。模型首先读取原始提示词，然后决定是否调用 MCP 工具。清理工具是在原始文本已经成为对话的一部分之后才运行的，因此计量器已经记录了这些 Token。

一个典型的流程如下：

  1. 提交原始提示词 —— Token 计数器开始跳动。
  2. 模型读取提示词并决定调用清理工具。
  3. 工具返回一个精简版本。
  4. 上下文现在包含三部分：原始提示词、工具调用元数据（tool-call metadata）以及清理后的提示词。

你需要为这三项内容付费。“精简”版本并不会替换原始版本；它只是与原始版本并列存在。

什么时候 MCP 清理确实有效

只有当原始文本从未进入 Claude Code 的主上下文时，MCP 工具才能节省 Token。这种情况发生在以下下游调用中：

  • 模型转发给搜索引擎或数据库的检索增强生成 (RAG) 查询。
  • 发送给独立于主对话运行的子代理 (sub-agents) 的指令。

在这些情况下，模型将清理后的负载直接转发给外部系统，从而使原始用户文本不计入主 Token 计数中。

如何真正缩减你的输入 Token

如果你想减少喂给 Claude Code 的 Token 数量，请在文本接触模型之前对其进行清理。以下是目前行之有效的三种实用方法：

  • 系统级热键 —— 在 Windows 上使用 AutoHotkey 脚本；在 macOS 上使用 Automator。脚本会选中你即将发送的文本，将其通过外部 API 进行处理以返回清理版本，然后在编辑器中替换该文本。由于原始版本从未离开你的机器，因此只有清理后的版本会被提交。
  • CLI 管道 (piping) —— 从终端启动 Claude Code，并使用 bash 过滤器（例如 sed 或 Python 脚本）预处理你的提示词，以去除不必要的空格、注释或重复短语。过滤后的输出才是喂给模型的内容。
  • 仅将 MCP 用于下游调用 —— 将 MCP 工具保留给前文提到的 RAG 或子代理步骤。让模型直接处理初始的用户提示词，并仅让清理工具作用于离开主对话的负载。

需要避免的常见误区

  • 误以为 MCP 工具会修剪原始提示词 —— 它们会增加一个工具调用 Token 块并保留原始文本，从而推高总数。
  • 依赖 Claude Code hooks —— Hooks 可以注入额外的上下文或拦截提示词，但它们无法覆盖对话中已经存在的文本。
  • 使用带有行内清理功能的斜杠命令 (slash commands) —— 即使命令运行了清理脚本，原始参数仍然是模型记录的命令行的一部分，因此你也需要为此付费。

Token 计量器在你输入的字符到达模型的 API 端点那一刻就开始了。在此之后的任何清理操作都只会增加额外开销。

这对开发者意味着什么

在大多数 AI 服务账单中，Token 定价都是一个单独的项目。因为“清理工具”增加了隐藏的 Token 而导致过度付费，会迅速侵蚀你原本希望节省的成本。将清理步骤移至客户端，以保持 Token 计数的真实性并使预算可预测。

核心结论： MCP 工具对于下游负载非常有用，但它们无法修剪你输入的提示词 Token。如果你想真正降低 Claude Code 的 Token 成本，请在发送前进行清理，或者将清理限制在从未出现在主上下文中的调用中。