Claude Code の /context を読んで、どこを直すか決める——実測ベースの判断表

Anthropicが公開した「Claude Code セッション価値を最大化する」ガイドを読んで、著者が自分の環境で実測した結果をまとめた記事だ。Claude Code のトークン消費は、モデル・入力/出力・キャッシュという3つの要素で決まる。特に注目すべきは、会話は毎ターン前の全履歴を再送信しており、ターン数が増えるほどコストが膨らむということ。著者は自分の環境（v2.1.228 / 1Mコンテキストモデル / MCPサーバー11接続）で実測し、驚くべき発見をした。MCPツール定義は0トークンだった（遅延ロード）。ffmpegの静音フラグ習慣化のコストが理に合わないことも判明。代わりにBASH_MAX_OUTPUT_LENGTH=8000という1行の設定で、15000文字の出力を安全に処理できるようになった。 最も価値がある教訓は「対策リストを作ったら、実行する前に測る」というメソッドだ。著者は3つの項目を直そうと計画したが、実測した結果、2つは「既に解決済み」「コスト削減に見合わない」として消えた。これは、技術者がしばしば陥る「勘による最適化」の落とし穴を暴露している。正確さが必要な領域では、測定なしの対策は確率5割のギャンブルだ。また、設定ファイル1行の威力——BASH_MAX_OUTPUT_LENGTHを入れるだけで、毎ターン数百トークンのコスト削減が実現するという発見は、小さな工夫の累積が大きな成果を生むことを示唆している。さらに深く読むと、この記事が示しているのは「AIとの対話は消費財ではなく経営資源」だということだ。1セッション100円、1000円の違いは、月間では数万円の違いになる。それを「見積もり」ではなく「実装後に実測で確認」するという、本来なら金融機関やコンサルがやるような厳密さをAI運用に持ち込んでいる。 Claudeを導入した企業なら、導入直後と3ヶ月後に/contextを眺めてコスト構造を把握すること。「何が重いのか」を測った上で対策リストを作れば、1行の設定で月間数万のコスト削減も実現できる。AIツールのコスト最適化は「使い方」の問題であって、ツール自体の問題ではないことを肝に銘じるべき。