Claude Code 现在可以通过 AWS Bedrock 运行，其成本仅为开发者通常支付给 Anthropic 的一小部分。一位开发者构建了一个自托管的 LiteLLM 代理，使 Claude Code CLI 认为它正在与 Anthropic 通信，而请求实际上被路由到 Bedrock 上的 Amazon Nova 模型，从而将学习阶段的支出降低了 20%–35%。

为什么该代理至关重要

使用 Claude Code 学习编写“智能体化”（agentic）代码会迅速消耗 Anthropic API 额度——每一次提示词错误或长时间的调试都会累积成本。对于正在尝试智能体循环（agent loops）、工具调用（tool calling）和上下文管理（context management）的开发者来说，这种成本可能会阻碍进度。该代理让你能够保持相同的工作流，但使用 AWS 额度进行支付，而 AWS 额度的每 Token 成本通常更低。

现有方案的问题

  • 本地模型（例如 Ollama）。 在笔记本电脑或工作站上运行同等水平的模型需要高端内存和 GPU，而许多开发者并不具备这些条件。
  • 免费层级 API（例如 OpenRouter）。 在测试多步智能体时，Token 上限会迅速耗尽，迫使开发者切换回付费计划。 这两种方法要么需要昂贵的硬件，要么在完成一个完整的智能体周期之前就会用尽配额。

LiteLLM 代理的工作原理

  1. Docker 化的 LiteLLM 实例 运行在开发者的机器或廉价的云虚拟机上。
  2. Claude Code CLI 指向代理的本地端点，并认为它正在联系 Anthropic。
  3. 代理会重写请求以匹配 Amazon Nova 的 API 格式，并将其转发给 Bedrock。
  4. Nova 的响应会被翻译回 CLI 所期望的格式。 由于 CLI 完全察觉不到差异，开发者可以继续使用 Claude Code 支持的相同提示词、工具调用语法和上下文管理模式。

内置的安全机制

  • 无人为会话限制。 除了 Bedrock 本身的限制外，该代理不会施加额外的上限。
  • IAM 限制。 访问密钥被锁定在单一模型上，防止意外切换到价格更高的选项。
  • AWS 预算警报。 预算规则会监控账户，并在支出异常飙升时通知用户。 这些控制措施确保了实验过程的低风险和透明度。

成本对比

根据公开列出的 Bedrock 定价，该代理比直接通过 Anthropic 使用 Claude Haiku 的支出降低了 20%–35%。确切数字取决于智能体提示词和响应的 Token 组合，但这种降幅非常稳定，足以对学习预算产生明显的削减作用。

该 Docker 镜像和配置文件托管在 GitHub 上，作者名为 Priyanshu Valiya。只需简单搜索即可下载这些组件，任何人都可以用来复现该设置。

该代理不具备的功能

  • 它并不是 Claude 的免费运行版。 幕后的模型是 Amazon Nova，而不是 Claude。虽然 Nova 支持类似的推理和工具调用原语，但其输出风格和性能有所不同。
  • 它不能作为生产环境的基准测试。 使用该代理来判断 Claude Code 是否适用于在线服务会产生误导，因为底层模型和定价都不同。
  • 仅跟踪 Token 成本不足以用于生产环境。 AWS 正在从 “Bedrock Agents Classic” 向 “AgentCore” 转型。在较新的方案中，费用不仅按 Token 计算，还会按平台服务（如智能体调用和网关请求）计算。从学习转向生产的开发者需要留意这些额外的项目。

后续关注点

  • AWS AgentCore 价格更新。 随着平台的成熟，可能会针对智能体编排（agent orchestration）或请求路由等功能出现新的费用。查看 AWS 定价页面可以避免意外账单。

总结

通过在 Claude Code 和 AWS Bedrock 之间引入 LiteLLM 代理，开发者可以进行智能体化编程练习，其成本比直接使用 Anthropic API 低 20%–35%。权衡之处在于底层模型不同且需要严密的预算管理，但核心的学习体验保持不变。对于任何在探索工具调用智能体时受限于额度上限的人来说，该代理提供了一个实用且低风险的捷径。