成本到底花在哪裡？
原筆記先看 cache 命中率、工具定義占比、昂貴呼叫路徑與重試率，建立優化前的比較基準。
量測與落地路線圖 →Wei-Ting Wu / Research archive
把問題拆開，
把研究留下來。
關於 AI 系統的研究筆記。從工程問題出發，整理原理、論文與工具，再回到可以實作和驗證的方法。
COMPLIANCE API · FIELD-BY-FIELD REFERENCE
OpenAI × Claude
Compliance API
從訊息到檔案，先對齊物件，再對齊欄位。
想知道誰用了哪些 Skills、一次 session 留下什麼紀錄，以及文件與圖片能還原到哪裡？這份研究整理 108 組欄位與行為對照，標出資料路徑、型別、null 語意與兩家不等價的地方。
閱讀完整比較LLM COST & CONTEXT ENGINEERING
Token
Optimization
從浪費的解剖學，到三層落地。
為什麼 agent 的 token 用量會持續膨脹？這份筆記把問題拆成輸入、表達與架構三層，串起快取、MCP、Skills、多 agent 協作、context 管理與成本治理。
閱讀完整研究Token Optimization / Reading guide
先帶走三個問題
每一步都需要這些資訊嗎？
工具按需載入、Skills 漸進揭露、輸出裁切與摘要契約，回應的是同一個問題：下一步真正需要什麼？
工具與 context 設計 →節省能否保住任務品質？
快取、壓縮、路由與批次作用在不同成本上。用自己的工作負載評估組合效果，同時觀察品質與延遲。
打開情境試算器 →關於這些研究
這裡收錄 Token Optimization 與 OpenAI × Claude Compliance API 比較，保留各篇的研究架構、欄位對照與參考來源。報告中的定價、產品規格和成效數字代表原研究時點；個別來源的 benchmark 並非本站實測。