Claude Code consumiu 4.7x mais tokens que OpenCode no teste
Comparação da Systima Blog mediu o gasto antes do prompt e encontrou diferenças no cache, nas ferramentas e nos subagentes.
A Systima Blog publicou um teste que compara Claude Code e OpenCode na mesma máquina, com o mesmo modelo e as mesmas tarefas. Antes de receber o prompt do usuário, Claude Code enviou cerca de 33,000 tokens, contra cerca de 7,000 do OpenCode. A diferença chega a 4.7x antes de o agente começar o trabalho. O resultado afeta equipes que controlam custo e contexto em ferramentas de programação assistida.
O agente consome tokens antes de ler o pedido
A equipe colocou um proxy entre cada ferramenta e o endpoint da Anthropic. O proxy registrou o conteúdo de cada requisição e os blocos de uso devolvidos pela API. A comparação mediu o tráfego real. Não olhou apenas para o número exibido no painel.
“Harness” é a camada que coordena o agente. Ela envia prompt de sistema, schemas de ferramentas, arquivos de instrução e outras regras antes de encaminhar o pedido. No teste de uma resposta de uma linha, Claude Code carregou cerca de 33,000 tokens desse material; OpenCode carregou cerca de 7,000. O usuário ainda não tinha digitado uma palavra.
O cache explica outra parte da diferença. A Systima Blog diz que OpenCode manteve o prefixo da requisição idêntico em todas as execuções capturadas, armazenou o payload uma vez por sessão e depois o reutilizou. Claude Code reescreveu dezenas de milhares de tokens do cache durante a sessão, chegando a gravar até 54x mais tokens de cache que OpenCode na mesma tarefa. A escrita de cache custa mais. Por isso, o painel de uso subiu mais rápido.
A configuração do projeto amplia a conta. Um arquivo AGENTS.md ou CLAUDE.md de 72KB acrescentou, em média, 20,000 tokens a cada requisição. Cinco servidores MCP adicionaram de 5,000 a 7,000 tokens. Uma configuração real começou cada pedido com 75,000 a 85,000 tokens antes da instrução do usuário. O agente repete esse material.
A ferramenta mais barata no início nem sempre vence
Os comentaristas concordaram que agentes gastam tokens ao buscar contexto e chamar ferramentas. “Não é surpresa: percebi que ‘agents’, não apenas CC — uso Copilot — tentam ser ‘espertos’, buscando muitos dados. Isso é bom para os provedores de LLM, porque consome muitos tokens”, escreveu piokoch. jakozaur citou outro efeito: pedidos como “Hey” ou “commit” às vezes acionaram mais de 30 chamadas de ferramenta.
A discussão no Hacker News alcançou 706 pontos e 396 comentários. MallocVoidstar questionou as versões usadas — Claude Code 2.1.207 e OpenCode 1.17.18, ambas fixadas em claude-sonnet-4-5 — e perguntou por que o teste não usou um modelo mais novo. O comentário também criticou o gateway local, que acrescentou cerca de 6,200 tokens em requisições de calibração: “Por que vocês precisam de requisições de calibração para descobrir como o próprio gateway está afetando as requisições?”
A Systima Blog reconheceu limites no experimento. O caminho de subagentes não terminou de forma limpa pelo gateway, e a equipe não publicou números sobre extended thinking porque o gateway impôs sua própria política. Qualquer comparação nesse ponto, segundo o texto, seria ruído. A ressalva reduz a força das conclusões sobre esse modo de uso, mas não altera as medições de prompt e cache apresentadas.
Os subagentes também multiplicaram o gasto. Uma tarefa pequena custou 121,000 tokens quando executada diretamente e 513,000 quando distribuída entre dois subagentes. Cada subagente leu seu próprio prompt de sistema e suas ferramentas a cada turno. O agente principal recebeu apenas o resultado devolvido, não o transcript inteiro.
Claude Code também teve uma vantagem. Em uma tarefa com várias etapas, gastou menos tokens no total porque agrupou chamadas de ferramenta em menos requisições; OpenCode pagou novamente sua base menor a cada turno. Em outro modelo, porém, a mesma tarefa consumiu cerca de 298,000 tokens com Claude Code e 133,000 com OpenCode. A equipe repetiu os achados em uma segunda família de modelos, e o padrão se manteve com uma nuance.
O ponto comum é mais relevante que a disputa entre as ferramentas: o agente pode gastar grande parte do orçamento em instruções, schemas, cache e chamadas de ferramenta, não no pedido escrito pelo programador. slopinthebag resumiu a escolha: “A Anthropic quer produzir o melhor coding agent possível e não se importa — e até tem incentivo para aceitar — custos altos. Outros harnesses precisam fazer concessões entre desempenho e custo.” Quem escolhe uma arquitetura precisa medir o tráfego no endpoint, testar o modelo usado em produção e separar o custo inicial do custo por turno. A dúvida que permanece é quanto de desempenho compensa esse gasto extra.
Fontes
Como fazemos: nossa equipe monitora diariamente os repositórios de código aberto em maior alta e produz esta cobertura com apoio de modelos de linguagem, sempre a partir de dados verificados na fonte primária — repositório, documentação oficial e ranking público. Os números de estrelas e a posição no ranking refletem o momento da coleta. Entenda o método.