Кодинг
12 августа 2026 г.
Экономия токенов: Claude, GPT и DeepSeek на задачах по коду
Кодинг — один из самых прожорливых сценариев для нейросетей. В обычном чате вы отправили абзац, получили абзац. В разработке всё иначе: вставили файл на 800 строк, stack trace, package.json, описание бага, а в ответ получили ещё 300 строк кода, тесты и объяснение.На практике сравнивают разное: claude code для агентных задач, deepseek api для дешёвых прогонов, chatgpt 4o для сложных запросов. Смысл в том, чтобы под каждую задачу брать подходящую по цене модель.И всё это — токены.Проблема не в том, что Claude или GPT дорогие. Проблема в том, что мы часто используем их для задач уровня «напиши regex», «объясни функцию», «накидай unit-тесты». Для этого флагманская модель не всегда нужна.Сравнили три варианта в BotHub: Claude Sonnet, GPT и DeepSeek. Цель - не найти «самую умную модель вообще», а понять, где можно экономить токены без боли.
Кодинг — один из самых прожорливых сценариев для нейросетей. В обычном чате вы отправили абзац, получили абзац. В разработке всё иначе: вставили файл на 800 строк, stack trace, package.json, описание бага, а в ответ получили ещё 300 строк кода, тесты и объяснение.На практике сравнивают разное: claude code для агентных задач, deepseek api для дешёвых прогонов, chatgpt 4o для сложных запросов. Смысл в том, чтобы под каждую задачу брать подходящую по цене модель.И всё это — токены.Проблема не в том, что Claude или GPT дорогие. Проблема в том, что мы часто используем их для задач уровня «напиши regex», «объясни функцию», «накидай unit-тесты». Для этого флагманская модель не всегда нужна.Сравнили три варианта в BotHub: Claude Sonnet, GPT и DeepSeek. Цель — не найти «самую умную модель вообще», а понять, где можно экономить токены без боли.Как сравнивалиБрали три типовые задачи:
- Генерация кода — небольшая функция с требованиями.
- Дебаг — stack trace + кусок кода.
- Рефакторинг — файл побольше, нужно сохранить поведение.
- качество ответа;
- скорость в рабочем сценарии;
- склонность писать лишнее;
- цену за одну задачу.
Задача 1: генерация функции
Промпт:Напиши TypeScript-функцию withRetry<T>.Она принимает async-функцию, число попыток и delayMs.Нужен exponential backoff, без внешних библиотек.Добавь короткий пример использования.Это задача, где DeepSeek почти всегда достаточно. Он пишет компактно, не городит архитектуру и хорошо справляется с boilerplate.Claude Sonnet аккуратнее обрабатывает edge cases и чаще добавляет полезные проверки. GPT даёт очень чистый код, но для такой задачи разница уже не всегда стоит денег.Примерная цена задачи при 2 000 токенов входа и 1 500 токенов ответа:
Вывод: для генерации небольших функций, SQL, bash, regex, тестовых моков — DeepSeek можно ставить моделью по умолчанию.
Задача 2: дебаг
Промпт:Вот stack trace и функция.Найди наиболее вероятную причину ошибки.Дай минимальный патч и предложи 2 unit-теста.Не переписывай весь модуль.Здесь всё зависит от масштаба бага.Если ошибка локальная — неправильный null, не тот тип, забытый await, неверная проверка массива — DeepSeek справляется хорошо. Он быстро даёт гипотезу и патч.Claude Sonnet сильнее там, где нужно удержать несколько условий сразу: бизнес-логику, побочные эффекты, порядок вызовов, поведение старого API. GPT тоже хорошо разбирает такие задачи, особенно если проблема алгоритмическая, но цена выше.Примерная цена при 8 000 токенов входа и 1 000 токенов ответа:
Рабочая схема: сначала прогнать дебаг через DeepSeek. Если ответ выглядит поверхностным или баг затрагивает несколько файлов — переключиться на Claude Sonnet.
Задача 3: рефакторинг
Промпт:Отрефактори модуль.Нельзя менять публичный API.Нельзя менять поведение.Верни diff и отдельно объясни, какие инварианты ты сохранил.Вот здесь токены начинают гореть особенно быстро. В рефакторинге большой вход и большой выход: модель читает файл, возвращает переписанный код, объяснение, иногда тесты.DeepSeek хорош для небольшого файла или первого черновика. Но если в коде много скрытых зависимостей, он может слишком смело «улучшить» то, что трогать нельзя.Claude Sonnet в таких задачах выглядит надёжнее: лучше держит ограничения, аккуратнее работает с инвариантами и реже ломает поведение ради красивого кода.GPT тоже силён, особенно в точных алгоритмических преобразованиях, но по цене это уже тяжёлая артиллерия.Примерная цена при 20 000 токенов входа и 4 000 токенов ответа:
Вывод: мелкий рефакторинг — DeepSeek. Критичный рефакторинг перед PR — Claude Sonnet или GPT.
Таблица: какую модель брать под задачу
Как реально экономить токены
Главный принцип: не выбирать одну модель навсегда.Мы бы строили маршрут так:- DeepSeek — первый проход.Генерация, объяснение, тесты, простые баги.
- Claude Sonnet — сложный контекст.Рефакторинг, несколько файлов, бизнес-логика, аккуратные правки.
- GPT — точные и дорогие задачи.Алгоритмы, сложные преобразования, финальная проверка там, где цена ошибки выше цены токенов.
- просите diff, а не весь файл;
- не отправляйте весь репозиторий, если нужен один метод;
- явно пишите «не переписывай архитектуру»;
- просите короткий ответ без объяснений, если нужен только патч;
- сначала ищите гипотезу дешёвой моделью, потом проверяйте дорогой.
В BotHub удобно именно это: можно переключаться между Claude, GPT и DeepSeek в одном месте и не платить флагманской ценой за каждый regex, тест или маленький refactor. Для повседневного кодинга такая схема быстро превращается не в «экономию ради экономии», а в нормальную инженерную гигиену.