Infracost reduziert Claude-Token-Nutzung um 79% durch Neugestaltung der CLI für KI-Agenten

Infracost, ein CLI-Tool, das Cloud-Infrastrukturkosten aus Terraform, CloudFormation und CDK schätzt, hat seine Ausgabe für KI-Codierungsagenten wie Claude Code und Cursor neu gestaltet. Das Ergebnis: bis zu 79% weniger Ausgabetokens und 67% niedrigere API-Kosten im Vergleich zu einer reinen Claude-Baseline. Die Neugestaltung basiert auf zwei Techniken: Predicate Pushdown ins CLI und ein token-effizientes Ausgabeformat.

Benchmark-Details

• 16 Fragen über eine 3-Projekt-Terraform-Fixtur mit 1.171 Ressourcen
• Modell: Claude Opus, 5 Wiederholungen pro Frage
• Baseline: reines Claude mit Bash- und Read-Tools, ohne geladene Fähigkeiten
• Verglichen mit Infracost-Fähigkeit mit --llm-Ausgabeflag

Wichtigste Ergebnisse

Metrik	Reines Claude	Mit Infracost-Fähigkeit (--llm)	Änderung
Richtige Antworten	5 / 11 (45%)	11 / 11 (100%)	+6
Gesamtkosten (USD)	16,41 $	9,63 $	-41%
Ausgabetokens	207.017	81.697	-61%
Echtzeit	50 Min	50 Min	gleich

Ein Beispiel: Die Frage „zähle unterschiedliche Ressourcen, die gegen die Tagging-Richtlinie verstoßen, dedupliziert über Projekte hinweg" kostete mit reinem Claude 3,51 $ und erreichte das 25-Turn-Limit, ohne eine Antwort zu liefern. Mit dem neu gestalteten CLI kostete dieselbe Frage 0,25 $ und lieferte die richtige Antwort.

Technischer Ansatz

• Predicate Pushdown: Anstatt den Agenten JSON durch jq zu pipen oder Python-Parser schreiben zu lassen, akzeptiert das CLI Filterflags (z. B. --tag-policy) und lagert die Berechnung an das Tool selbst aus. Dies reduziert die Anzahl der Turns und den Tokenverbrauch.
• Token-effizientes Ausgabeformat: Das --llm-Flag gibt ein kompaktes, agentenfreundliches Format zurück, anstatt ausführlicher, für Menschen lesbarer Tabellen oder vollständigem JSON. Dies allein trägt zu einem erheblichen Teil der Reduzierung bei.

Benchmark-Harness-Fallstricke

Infracost hat die Einrichtung seines Harness als Open Source veröffentlicht, um anderen zu helfen, Fehler zu vermeiden:

• Sandbox-HOME für Baseline-Läufe, um versehentliches Laden von Fähigkeiten zu vermeiden
• TMPDIR auf ein projektspezifisches Verzeichnis setzen, um macOS-ACL-Probleme zu umgehen
• Das Test-Binary zu PATH hinzufügen, anstatt sich auf die Systeminstallation zu verlassen
• 5+ Wiederholungen pro Zelle aufgrund von 20-30% Token-Varianz verwenden
• Zellen, die das Turn-Limit erreicht haben, erneut ausführen (--rerun-failed) und neu bewerten, wenn sich der Verifizierer ändert (--rescore)

Wenn Sie ein CLI betreiben, das KI-Agenten als Subprozess aufrufen, sind dieselben beiden Maßnahmen – Predicate Pushdown und ein dediziertes Agenten-Ausgabeformat – wahrscheinlich anwendbar. Die Neugestaltung hat auch das für Menschen gedachte CLI verbessert, obwohl sich der Artikel auf den Agentenweg konzentriert.