Zwei KI-Programmierassistenten – Claude Code und OpenCode – unterscheiden sich enorm im Token-Overhead. Eine Messung zeigt, wie viel mehr Token Claude Code für den Overhead verbraucht und welche Auswirkungen das auf Kosten und Effizienz hat.
Der Tester hat beide Harnesses auf die gleiche Maschine und das gleiche Modell (Claude Sonnet 4-5) gesetzt. Dann hat er jede Anfrage und Antwort aufgezeichnet. Ergebnis: Claude Code schickt pro Anfrage rund 33.000 Token an Systemprompt, Tool-Schemas und anderen Vorlauf mit, bevor die Nutzeranfrage eintrifft. OpenCode kommt mit etwa 7.000 Token aus – weniger als ein Viertel. Das hat praktische Konsequenzen.
Die Messmethode: Ein Lauschangriff an der API
Um zu sehen, was die Harnesses wirklich senden, hat der Tester einen Logging Proxy zwischen die Programme und das Modell geschaltet. Dieser Proxy zeichnet zwei Dinge auf: das exakte JSON-Paket der Harness (Systemblöcke, Tool-Beschreibungen, Nachrichten) und die Verbrauchsdaten der API (Input-Token, Cache-Schreibvorgänge, Cache-Lesevorgänge, Output-Token). So wird die Kommunikation sichtbar.
Getestet wurde unter kontrollierten Bedingungen: leere Arbeitsverzeichnisse, keine MCP-Server, keine Benutzereinstellungen, keine Gedächtnisfunktion. Schritt für Schritt wurden Komponenten hinzugefügt – eine Anweisungsdatei, MCP-Server, Subagenten – um ihren Einfluss zu isolieren. Die Aufgaben reichten von der simplen Aufforderung „Antworte genau mit: OK“ bis zu einer mehrstufigen Schreib-Test-Korrektur-Schleife für ein FizzBuzz-Script.
Der Grund-Overhead: Warum Claude Code so viel mehr vorausschickt
Die erste Aufgabe war denkbar einfach: 22 Zeichen. Trotzdem unterschied sich die Größe der Anfragen deutlich. Claude Code packte einen Systemprompt aus drei Blöcken mit 27.344 Zeichen ein, dazu 27 Tool-Schemas mit fast 100.000 Zeichen und zusätzliche Erinnerungsblöcke (<system-reminder>). Das ergab nach Kalibrierung etwa 32.800 Token. OpenCode schickte einen Systemblock mit 9.324 Zeichen, 10 Tool-Schemas (20.856 Zeichen) und die Anfrage – insgesamt rund 6.900 Token.
Der größte Brocken bei Claude Code sind die Tool-Schemas. Claude Code bringt viele Werkzeuge mit – für Termine, Überwachung, Hintergrundprozesse. Diese werden alle beim Start geladen. OpenCode hat nur zehn klassische Programmierwerkzeuge. Das reduziert den Overhead.
Ohne Werkzeuge: Der reine Systemprompt
Um den Overhead der Tool-Beschreibungen zu isolieren, wurden beide Harnesses mit abgeschalteten Tools getestet. Ergebnis: Claude Codes Systemprompt allein wiegt 26.891 Zeichen (etwa 6.500 Token), OpenCode kommt auf 8.811 Zeichen (etwa 2.000 Token). Auch ohne Werkzeuge ist die Anleitung von Claude Code mehr als dreimal so umfangreich. Darin stecken Verhaltensregeln, Tonvorgaben, Sicherheitsrichtlinien und Umgebungsbeschreibungen.
Das hat eine praktische Konsequenz: Jede Anfrage startet bei Claude Code mit höherem Grundrauschen. Bei einem 200.000-Token-Kontextfenster sind 33.000 Token Overhead bereits ein Sechstel des Platzes, bevor Code im Gespräch ist. Bei OpenCode sind es etwa 3,5 Prozent. Das wirkt sich auf Kosten und den Platz für den Arbeitsinhalt aus.
Caching: Einsparpotenzial wird nicht immer genutzt
Moderne API-Anbieter bieten Prompt-Caching: Wenn sich Blöcke von Anfrage zu Anfrage nicht ändern, werden sie zwischengespeichert und zu einem Bruchteil der Kosten wieder eingelesen. Die Studie zeigt, dass OpenCode seinen Anfrage-Prefix in jeder gemessenen Sitzung byte-identisch hielt – ideal für Caching. Claude Code dagegen schrieb während einer Sitzung Zehntausende von Cache-Token immer wieder neu, obwohl die Aufgabe gleich blieb. Im Extremfall verursachte es auf der gleichen Aufgabe bis zu 54-mal mehr Cache-Schreibvorgänge als OpenCode. Cache-Schreibvorgänge werden zum vollen Satz berechnet; nur Cache-Lesungen sind günstig. Die Caching-Strategie beeinflusst die Kosten stark.
Die Multiplikatoren: Wenn die Konfiguration wächst
Im echten Projekt kommen Anweisungsdateien und MCP-Server hinzu. Ein 72 Kilobyte großes AGENTS.md oder CLAUDE.md aus einem Produktiv-Repository fügt jeder Anfrage rund 20.000 Token hinzu – bei beiden Harnesses. Allerdings ignoriert Claude Code AGENTS.md und benötigt den Namen CLAUDE.md. Wer versehentlich die falsche Datei ablegt, spart Tokens, bekommt aber auch keine Anweisungen – ein verstecktes Problem. OpenCode liest beide Namen und packt den Inhalt in den Systemprompt, was die Basislinie fast vervierfacht.
MCP-Server (Model Context Protocol) geben dem Agenten zusätzliche Fähigkeiten. Selbst unauffällige, öffentliche Server ohne Anmeldedaten fügen pro Anfrage 1.000 bis 1.400 Token pro Server hinzu. Mit fünf Servern wächst die Werkzeugliste von 27 auf 69 bei Claude Code und von 10 auf 52 bei OpenCode. Produktivserver mit umfangreichen APIs können diese Zahlen leicht verdoppeln oder verdreifachen. Jeder dieser Token muss bei jeder Anfrage mitgeschickt werden – auch wenn er nicht genutzt wird.
Subagenten: Wenn mehrere Helfer die Kosten vervielfachen
Eine Funktion beider Harnesses ist die Delegation an Subagenten. Die Studie testete einen Auftrag direkt und dann mit zwei Subagenten. Direkt kostete der Auftrag 121.000 Token, mit Subagenten stieg der Verbrauch auf 513.000 Token – mehr als das Vierfache. Der Grund: Jeder Subagent lädt seinen eigenen Systemprompt und seine Werkzeuge bei jeder Runde neu. Der übergeordnete Agent bekommt nur das Endergebnis, aber die Kosten der Subagenten laufen unabhängig. Wer häufig delegiert, muss mit stark steigenden Token-Kosten rechnen.
Allerdings gibt es einen Lichtblick: Bei mehrstufigen Aufgaben (Schreiben, Testen, Korrigieren) kann Claude Code seine größere Basislinie ausgleichen, indem es mehrere Werkzeugaufrufe in einer einzigen Anfrage bündelt. Während OpenCode für jeden Schritt eine neue Anfrage sendet und jedes Mal den 7.000-Overhead erneut bezahlt, fasst Claude Code manchmal zwei Dateioperationen und zwei Scriptausführungen in einem Roundtrip zusammen. In einem Fall gelang es so, dass Claude Code mit 121.000 Token günstiger abschnitt als OpenCode mit 132.000 Token. Allerdings ist dieser Vorteil nicht stabil: Auf einem neueren Modell (Claude Fable 5) brauchte Claude Code plötzlich sechs Anfragen statt drei und landete bei 298.000 Token – gegen OpenCodes 133.000. Die Bündelung hängt vom Verhalten des jeweiligen Modells ab, nicht von der Harness selbst.
Praktische Bedeutung
Die Studie zeigt: Die reine Token-Anzahl ist kein einfacher Indikator für Effizienz. Wer kurze, isolierte Aufgaben hat – eine Datei lesen und zusammenfassen – fährt mit OpenCode deutlich günstiger. Wer komplexe Arbeitsabläufe mit vielen zusammenhängenden Schritten ausführt, kann von der Bündelung profitieren, aber das ist nicht garantiert. Wer stark auf Subagenten setzt oder viele MCP-Server anbindet, muss mit erheblichen Kostentreibern rechnen – unabhängig von der Harness.
Wichtig ist auch die Transparenz. Der EU AI Act verlangt in Artikel 12, das Verhalten von Systemen zu verstehen und zu protokollieren. Die Frage „Was sendet mein Agent?“ sollte datengestützt beantwortet werden können. Die Methode dieser Studie – ein Logging-Proxy zwischen Harness und Modell – eignet sich dafür. Wer KI-Agenten produktiv einsetzt, sollte diese Technik beherrschen, um Kostenfallen zu vermeiden.
Der Vergleich zwischen Claude Code und OpenCode ist keine einfache Ja/Nein-Empfehlung. Er zeigt: Die Architektur-Entscheidungen der Harness – wie viele Werkzeuge sie standardmäßig mitbringt, wie sie Caching nutzt und Anfragen bündelt – haben massiven Einfluss auf die Kosten. Man sollte diese Entscheidungen verstehen, bevor man einen Assistenten produktiv einsetzt.
Quelle: systima.ai
