เข้าใจ Claude token consumption ก่อน งบ AI จะไม่หายเงียบอีก
Claude token consumption คือปริมาณโทเคนที่ Claude ใช้ในแต่ละเซสชัน รวมทั้งข้อความ ระบบพรอมป์ต์ คอนเท็กซ์ และข้อมูลจากตัวเชื่อมต่อภายนอกทั้งหมด ซึ่งไม่เกี่ยวแค่พรอมป์ต์ที่เราเป็นคนพิมพ์ แต่รวมถึงการตั้งค่าเริ่มต้น ไฟล์คำสั่ง และเซิร์ฟเวอร์เสริมที่ทำงานอยู่เบื้องหลังทุกครั้งที่เปิดเซสชันใหม่ ดังนั้นผู้ใช้ที่ไม่ตรวจสอบรายละเอียดเหล่านี้มักเสียโทเคนโดยไม่รู้ตัว และทำให้ AI productivity budget ถูกกินไปอย่างรวดเร็ว
หลายคนสงสัยว่าทำไม AI productivity budget ของตัวเองถึงหมดไว ทั้งที่ใช้แค่ถามตอบโค้ดเบสิก ความจริงคือ Claude Code มีค่าใช้จ่ายแฝงจากค่าดีฟอลต์ที่ถูกเปิดไว้ตั้งแต่แรก และเริ่มกินโทเคนตั้งแต่ยังไม่ได้พิมพ์คำสั่งอะไรเลย จุดเจ็บคือเราไม่เห็นตัวเลขตรงนี้ชัดเจน ต่างจากความยาวพรอมป์ต์ที่พอเดาออกได้ คนเขียนโค้ดที่ใช้เอเจนต์ช่วยนานๆ จะเริ่มรู้สึกว่า “ทำไมเซสชันเต็มเร็วผิดปกติ” แท้จริงแล้วหลายส่วนของระบบกำลังรันและส่งข้อมูลเข้าไปในคอนเท็กซ์ทุกเทิร์น โดยไม่ได้ถามความสมัครใจของเรา บทความนี้จะพาไล่ทีละหลุมรั่ว และแนะนำ Claude optimization tips แบบทำตามได้ทีละขั้นเพื่อคืนโควตาให้การทำงาน
หลุมรั่วที่ 1: CLAUDE.md และ system prompt ที่บวมเกินจำเป็น
ไฟล์ CLAUDE.md ใน Claude Code คือที่เก็บ custom instructions ทั้งหมดของเรา และถูกโหลดเข้า context ทันทีที่เปิดเซสชันใหม่ แม้เราจะยังไม่พิมพ์อะไรเลย หมายความว่าเซสชันทุกครั้งจ่ายภาษีโทเคนก้อนหนึ่งแบบอัตโนมัติ โดยไม่ถามว่าข้อความในไฟล์นี้เกี่ยวกับงานรอบนั้นหรือไม่ นี่ยังไม่รวม system prompt และสคริปต์ scaffolding ต่างๆ ที่ถูกอ่านซ้ำทุกครั้งที่เรียกใช้โมเดล มีประโยคหนึ่งที่น่าจดจำคือ “Anthropic ลบ system prompt ของ Claude Code ออกมากกว่า 80% โดยไม่ทำให้คะแนนการทดสอบด้านโค้ดลดลง” นี่คือสัญญาณตรงๆ ว่าพรอมป์ต์ที่บวมไม่ใช่ทางลัดคุณภาพ แต่เป็น scaffolding tax หรือค่าภาษีที่จ่ายกับคำสั่งที่โมเดลรุ่นใหม่ไม่ต้องการแล้ว และถูกอ่านซ้ำทุกคอลอย่างถาวร
- เปิดเซสชัน Claude Code แล้วพิมพ์คำสั่ง /context เพื่อดูว่าคอนเท็กซ์เริ่มต้นมีอะไรบ้าง และ CLAUDE.md ถูกโหลดยาวแค่ไหน
- เปิดไฟล์ CLAUDE.md ตรวจทีละบล็อก แยกว่าอะไรเป็นกฎทั่วไป อะไรเป็นคำสั่งเฉพาะโปรเจกต์หรือทาสก์
- ลบหรือย่อข้อความที่ซ้ำซ้อนกับพฤติกรรมพื้นฐานของโมเดล เหลือเฉพาะกติกาที่จำเป็นจริงๆ เพื่อเลี่ยง scaffolding tax
- นำคำสั่งที่เฉพาะโปรเจกต์ไปแปลงเป็น skill หรือไฟล์แยก แล้วเรียกใช้เมื่อจำเป็น แทนการโหลดให้ทุกเซสชัน
- ทดสอบด้วยพรอมป์ต์สั้นแบบ outcome-first คืออธิบายเป้าหมายและเงื่อนไขหยุด แล้วสังเกตว่าได้ผลลัพธ์คุณภาพเดียวกันแต่ใช้โทเคนน้อยลง ซึ่งมีรายงานว่าพรอมป์ต์ lean ทำให้ใช้โทเคนลดลง 41–66% และคะแนนดีขึ้น 10–15%
จุดที่ต้องระวังคือการลบคำสั่งแบบเหมารวมโดยไม่ทดสอบ อาจทำให้ workflow ที่เฉพาะทางพังได้ ทางที่ดีคือค่อยๆ ย่อข้อความทีละส่วน แล้วลองรันงานเดิมเพื่อเช็กผล การ audit system prompt แบบนี้คือ hidden cost reduction สำคัญ เพราะทุกประโยคที่ตัดออกคือโทเคนที่ไม่ต้องจ่ายซ้ำตลอดอายุการใช้งานของโปรเจกต์
หลุมรั่วที่ 2: Context tax จากการอ่านโค้ดซ้ำหลายร้อยรอบ
ในโลกของเอเจนต์เขียนโค้ด การอ่านไฟล์หนึ่งครั้งไม่ได้หมายถึงเสียค่าโทเคนครั้งเดียว ทุกเทิร์นของบทสนทนาจะส่งคอนเท็กซ์เดิมกลับเข้าโมเดล ทำให้ไฟล์ที่ถูกอ่านจะถูกบิลซ้ำทุกครั้ง ตัวอย่างคือการอ่านไฟล์ 600 บรรทัดในเทิร์นที่ 40 ของเซสชัน 512 เทิร์น เราไม่ได้จ่ายแค่ 600 บรรทัด แต่เปรียบเหมือนจ่าย 600 บรรทัดคูณอีกประมาณ 470 เทิร์นถัดมา ทุกครั้งที่เอเจนต์ใช้คำสั่งแนว grep อ่านสไลซ์ไฟล์ซ้ำไปเรื่อยๆ บรรทัดเหล่านั้นจะกลายเป็นภาระถาวรในคอนเท็กซ์ และเพิ่ม Claude token consumption อย่างรุนแรง แต่ละรอบของการอ่านไฟล์ที่ไม่จำเป็นคือ context tax ที่กิน AI productivity budget โดยไม่เพิ่มคุณภาพงาน การจัดการคอนเท็กซ์ให้บางและตรงประเด็นจึงเป็น hidden cost reduction แบบตรงจุด
- แยกงานเป็นเซสชันสั้นๆ แทนการปล่อยให้บทสนทนายืดยาวหลายร้อยเทิร์น เพื่อลดจำนวนครั้งที่คอนเท็กซ์เดิมถูกส่งซ้ำ
- ให้ Claude สรุปไฟล์ยาว 600–800 บรรทัดเป็นโน้ตสั้นหรือโครงสร้างข้อมูล แล้วใช้โน้ตนี้แทนการอ่านไฟล์เต็มซ้ำ
- เวลาขอให้เอเจนต์ค้นโค้ด ให้ระบุฟังก์ชันหรือไฟล์เป้าหมายให้ชัด ลดการใช้คำสั่งค้นทั้งรีโปซิทอรีที่ลากโค้ดส่วนเกินเข้าคอนเท็กซ์
- ถ้าต้องรันหลายคำสั่งกับโค้ดเดิม ให้ใช้แนวคิด graph หรือเมตาดาตาอธิบายความสัมพันธ์ของโค้ด เพื่อให้เอเจนต์ถาม “กราฟ” แทนการอ่านไฟล์เต็มทุกครั้ง
- ปิดเซสชันเก่าที่คอนเท็กซ์บวมมาก แล้วเปิดเซสชันใหม่พร้อมสรุปคอนเท็กซ์สำคัญส่งต่อในรูปย่อ เพื่อลดปริมาณข้อมูลที่ถูกรีบิลในแต่ละเทิร์น
สิ่งที่ต้องระวังคือความรู้สึกว่า “คอนเท็กซ์ยิ่งเยอะยิ่งดี” เพราะมีรายงานว่าเมื่อหน้าต่างคอนเท็กซ์ถูกเติมจนใหญ่ระดับหลักล้านโทเคน ประสิทธิภาพการดึงข้อมูลกลับยิ่งแย่ลงในทุกโมเดลที่ทดสอบ การจัดการ context management ให้คอนเท็กซ์พอดีคือ Claude optimization tips ที่ช่วยทั้งลดโทเคนและเพิ่มความแม่นในคำตอบ
หลุมรั่วที่ 3: MCP servers กับงานอัตโนมัติที่คอยกินโทเคนเงียบๆ
MCP servers เป็นตัวเสริมที่ขยายความสามารถของ Claude Code เช่น ต่อกับเครื่องมือเดสก์ท็อปหรือเซอร์วิสภายนอก แต่ปัญหาคือเซิร์ฟเวอร์เหล่านี้เริ่มทำงานตั้งแต่เปิดเซสชัน แม้เรายังไม่ได้พิมพ์พรอมป์ต์ใดๆ หลายคนติดตั้ง MCP ตามงานที่ต้องใช้ แล้วลืมปิด ทำให้มีเซิร์ฟเวอร์หลายตัวเชื่อมอัตโนมัติทุกครั้งที่เปิด Claude Code และกินโทเคนเป็นประจำ นอกจากนี้ยังมี scheduled tasks ที่ถูกตั้งให้รันตามเวลา และสามารถใช้โทเคนได้แม้เราไม่ได้สั่งคำสั่งเองโดยตรง ผลคือ AI productivity budget ขยับตามเวลานาฬิกามากกว่าตามจำนวนพรอมป์ต์ การเปิดใช้ความสามารถเหล่านี้โดยไม่กำหนดขอบเขตจึงกลายเป็นอีกหนึ่งหลุมรั่วของ hidden cost reduction ที่หลายคนมองไม่เห็น
- ใช้คำสั่ง /mcp ใน Claude Code เพื่อดูรายการ MCP servers ทั้งหมดที่เชื่อมอยู่ และสถานะการเชื่อมต่ออัตโนมัติของแต่ละตัว
- ปิด auto-connect หรือปิดใช้งาน MCP server ที่ไม่ได้ใช้ประจำ เหลือเฉพาะตัวที่จำเป็นต่อ workflow ปัจจุบัน
- ใช้คำสั่ง /usage เพื่อตรวจว่าเซิร์ฟเวอร์ไหนมีส่วนใน Claude token consumption สูงที่สุด แล้วพิจารณาปรับการใช้งานหรือปิดชั่วคราว
- ทบทวน scheduled tasks ทั้งหมดที่ตั้งไว้ ยกเลิกหรือลดความถี่งานที่ใช้โทเคนมาก โดยเฉพาะงานที่เพียงตรวจสอบเล็กน้อยแต่รันบ่อย
- เมื่อต้องทดสอบฟีเจอร์ใหม่ ให้เปิด MCP server หรือ automation แบบชั่วคราว และปิดทันทีเมื่อจบการทดลอง เพื่อไม่ให้ถูกโหลดในทุกเซสชัน
ข้อควรระวังคือการปิด MCP server แบบเหมาอาจทำให้ workflow ที่ผูกกับเครื่องมือนั้นใช้งานไม่ได้ ทางออกที่ดีคือทำรายการว่าตัวไหนคือ core และตัวไหนคือ optional แล้วจัดหมวดหมู่เป็น “เปิดเสมอ” กับ “เปิดเมื่อจำเป็น” selective feature enablement แบบนี้ช่วยลดโทเคนโดยไม่ทำให้การทำงานสะดุด
สรุป: อุดหลุมรั่ว 4 จุดให้ AI productivity budget ใช้ได้คุ้มขึ้น
เมื่อมองย้อนกลับไป หลุมรั่วทั้งสี่คือ system prompt และ CLAUDE.md ที่บวม MCP servers กับ scheduled tasks ที่วิ่งเอง และ context tax จากการอ่านไฟล์โค้ดซ้ำหลายร้อยรอบ สิ่งเหล่านี้ไม่ได้เพิ่มคุณภาพงานเท่ากับโทเคนที่ใช้ แต่กลับกิน Claude token consumption และงบ AI productivity budget แบบเงียบๆ งานวิจัยและประสบการณ์จริงชี้ไปทางเดียวกันว่า “พรอมป์ต์และเอเจนต์ที่มินิมอลทำผลงานดีกว่าระบบที่ติดเครื่องมือเต็มยศ” และสามารถลดการใช้โทเคนได้ 41–66% พร้อมเพิ่มคะแนนทดสอบ 10–15% จากการลด scaffolding ลง ดังนั้นสิ่งสำคัญที่ต้องจำคือ จัดระเบียบคอนเท็กซ์ให้บาง ตรวจระบบที่ทำงานอัตโนมัติเป็นระยะ และเปิดฟีเจอร์เท่าที่ใช้งานจริง เพราะโทเคนทุกตัวที่ไม่ใช้คือพื้นที่ว่างที่โมเดลจะหันมาสนใจคำถามของเรามากขึ้น
