Claude Code konfigürasyonu ilk prompt'tan önce 9.857 token tüketiyor olarak ölçüldü

Ne ölçüldü

dev.to'da yazan bir geliştirici, birikmiş bir Claude Code kurulumunun gizli maliyetini sayısallaştırdı: 107 skill, 38 agent ve 15 command — toplamda 160 bileşen — kullanıcı henüz bir şey yazmadan önce her oturumda context window'dan 9.857 token tüketiyor. Gönderiye göre bu, 200.000 token'lık bir pencerenin yaklaşık %5'i ve tamamen konfigürasyon meta verisine harcanıyor; system prompt, tool tanımları, MCP tool şemaları, CLAUDE.md dosyaları ve fiilen okunması gereken kodun üstüne yığılıyor.

Yazar bu koleksiyonu sıradan bir birikim olarak tanımlıyor: skill'ler öneriliyor, yararlı görünüyorlar, kuruluyorlar ve hiçbir şey onları kaldırmaya teşvik etmiyor.

İki maliyet, biri çoğunlukla görmezden geliniyor

Gönderi her bileşeni iki ayrı yüküme bölüyor. Bir skill'in gövdesi yalnızca o skill tetiklendiğinde yüklenir; yazar bunu adil bir maliyet olarak görüyor çünkü talep üzerine oluşuyor. Tanım (description) ise farklı. Kurulu her skill, agent ve command'in tanımı, hiçbir şey tetiklenmese bile oturum boyunca context window'da kalır, çünkü model neyin var olduğunu böyle öğrenir. Sonuç, yazarın oturumların belki %2'sinde tetiklendiğini tahmin ettiği bileşenler için sürekli ödenen bir ek yüktür.

Ölçülen dağılım şu şekilde: skill tanımları 7.470 token, agent tanımları 1.999 ve command tanımları 388 token.

Script

Ölçüm aracı, GitHub'da MIT lisansıyla cc-tax adıyla yayınlandı ve yalnızca standart kütüphane kullanan tek bir Python dosyası. Skill, agent ve command dizinlerini gezerek her frontmatter tanımını çıkarıyor ve token'ları karakter sayısının dörde bölünmesiyle tahmin ediyor. Yazar, gerçek bir tokenizer'ın mutlak rakamları birkaç yüzde kaydıracağını ama sıralamayı değiştirmeyeceğini, bu yüzden bir bağımlılık eklenmediğini belirtiyor.

Sayıların ortaya çıkardığı şey

Kurulumdaki en ağır tanımlar arasında 244 token'la loop-design-check ve 209 token'la token-budget-advisor vardı — amacı token kullanımını azaltmak olan bir skill, bunu yapmak için kalıcı bir ek yük ödetiyor. Gövde ağırlığı daha da dengesizdi: 107 skill genelinde toplam yaklaşık 322.990 token'a ulaşıyor, medyan 1.932 ve en ağır tekil skill olan continuous-learning-v2 tetikleme başına 56.453 token'a mal oluyor — tek atımda context window'un dörtte birinden fazlası.

Bileşenleri yalnızca okumak yerine çalıştırmak ikinci bir sorunu gün yüzüne çıkardı. Gönderiye göre continuous-learning-v2'nin otomatik oturum gözlemi yalnızca tam bir plugin kurulumunda var olan hook'lara bağlı ve aksi halde sessizce yok. Üç zorlayıcı skill — delivery-gate, gateguard ve safety-guard — script'lerle geliyor ama hiçbir şey onları settings'e kaydetmiyor; yani kurulan şey zorlayıcı değil belgeler. ck memory aracının session-start hook'u hiç bağlanmamış ve deep-research, firecrawl veya exa MCP sunucularını gerektiriyor; bunlar olmadan tanımı için ücret kesmeye devam ederken sessizce sıradan web aramaya dönüşüyor.

Yazarın sonucu şu: bir MCP sunucusuna veya bir hook'a bağlı bileşen yalnızca kısmen kurulmuştur; dosya yerine oturur, tanımı hemen token maliyeti yüklemeye başlar ve işlevsellik, size hatırlatmayı hiçbir şeyin yapmadığı ikinci bir kurulum adımından sonra gelir. Hata mesajı yoktur — skill tetiklenir, beklenenden düşük performans gösterir ve suç modele atanır.

Bir rakam daha burada bir skill'in ne olduğu kavramını yeniden çerçeveliyor: kurulu 107 skill'den yalnızca 11'i SKILL.md dışında bir dosya ile geliyor. Kalan 96'sı saf metin.

Yazarın yaptığı şey

Çare gösterişsizdi: ölç, sonra son bir ayda tetiklenmeyen her şeyi sil. Yazar bunun yaklaşık on dakika sürdüğünü ve bütün alıştırmanın değerinin çoğunu verdiğini bildiriyor.

Neden önemli

Context window'lar sınırlıdır ve uykuda olan tanımlara harcanan her token kod, konuşma ve akıl yürütme için kullanılamaz. Bu yalnızca Claude Code değil herhangi bir AI kodlama asistanı kullanıcısı için geçerli: kurulumlar görünmezce birikir, maliyet kullanım başına değil oturum başına faturalanır ve yarım kurulmuş bileşenler görünür bir hata olmadan çıktıyı kötüleştirir, bu da yetenekli bir modeli güvenilmez gösterir. Pratik çıkarımlar şunlar: konfigürasyonunuzu düzenli olarak denetleyin, kendiniz skill yazıyorsanız tanımları kısa tutun ve modelin kötü bir gününde olduğuna karar vermeden önce kurulumunuzu ölçün.