---
title: "Biaya sekali jalan agen coding AI: langkah dan caching"
description: "Kenapa biaya per langkah agen coding naik makin lama run-nya, bagaimana caching mengubah total, dan kapan sesi harga tetap mengalahkan per token. Dengan hitungan."
url: https://broadrouter.com/id/blog/ai-coding-agent-run-cost/
lang: id
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan dari bahasa Inggris dengan bantuan AI. [Baca versi asli bahasa Inggris](https://broadrouter.com/blog/ai-coding-agent-run-cost/) (diperbarui 2026-11-15).

# Berapa biaya sekali jalan agen coding AI: langkah, konteks, caching

Oleh tim BroadNet Inference · 7 menit baca · Dipublikasikan 2026-11-15

Agen mengirim ulang seluruh konteksnya di setiap langkah, jadi input tumbuh sebanding kuadrat jumlah langkah: 60 langkah menelan input sekitar 3,5 kali lipat 30 langkah. Caching menentukan sebagian besar tagihan; dengan riwayat yang hanya ditambah di akhir, lebih dari 90% input bisa ditagih dengan tarif cache. Kalikan biaya per run dengan jumlah run per bulan, lalu bandingkan dengan sesi harga tetap.

## Poin penting

-   Total input satu run = langkah × konteks dasar + pertambahan per langkah × langkah × (langkah − 1) ÷ 2. Jumlah langkah lebih menentukan daripada input lainnya.
-   Dengan riwayat yang hanya ditambah di akhir, hanya token yang ditambahkan sejak panggilan terakhir yang baru. Dalam contoh hitungan, itu membuat 94% input run 30 langkah ter-cache.
-   Dengan harga DeepSeek V4.1 Flash yang dipublikasikan BroadNet, run 30 langkah yang sama sekitar 8 kali lebih mahal tanpa cache dibandingkan dengan cache terbaik.
-   Memadatkan atau mengedit riwayat awal mereset cache. Lakukan jarang dan dalam langkah besar.
-   Sesi harga tetap menang saat jumlah run per bulan × biaya per run melewati harga paket. Satu sesi menjalankan satu permintaan dalam satu waktu, jadi durasi per run membatasi berapa run yang muat dalam sebulan.

**Di halaman ini**

1.  Bagaimana konteks tumbuh selama run agen?
2.  Seperti apa contoh hitungan satu run?
3.  Seberapa besar caching mengubah tagihan?
4.  Bagaimana mengestimasi run Anda sendiri?
5.  Apa yang membuat run lebih mahal dari estimasi?
6.  Kapan sesi harga tetap mengalahkan bayar per token?
7.  Di mana posisi BroadNet Inference?

Agen coding tidak membayar per tugas. Ia membayar per langkah, dan setiap langkah mengirim ulang seluruh percakapan sejauh ini. Akibatnya, biaya satu run jauh lebih bergantung pada berapa langkah yang dibutuhkan, dan berapa banyak konteks yang ter-cache, daripada pada harga per token. Tulisan ini menyusun biaya satu run dari bagian-bagian itu, lengkap dengan angka, dan menunjukkan kapan sesi harga tetap mengalahkan bayar per token.

Untuk asal token di dalam setiap panggilan (skema tool, pembacaan file, riwayat), lihat [ke mana token loop agen pergi](https://broadrouter.com/id/blog/agent-token-budget/). Tulisan ini membahas aritmetika satu run secara utuh.

## Bagaimana konteks tumbuh selama run agen?

Setiap panggilan berisi:

-   **konteks dasar** yang dikirim di setiap panggilan: system prompt, definisi tool, file aturan, repo map;
-   **semua yang ditambahkan oleh langkah sebelumnya**: balasan dan tool call model, isi file, dan output perintah;
-   instruksi atau hasil tool yang baru.

Sebut konteks dasar itu _B_ dan token yang ditambahkan setiap langkah _g_. Langkah 1 mengirim _B_. Langkah 2 mengirim _B + g_. Langkah _n_ mengirim _B + (n − 1) × g_. Jumlahkan semuanya, dan run dengan _n_ langkah mengirim:

**Total input = n × B + g × n × (n − 1) ÷ 2**

Suku kedua tumbuh sebanding kuadrat jumlah langkah. Itulah sebabnya run yang panjang sering mengejutkan: langkah terakhir run 60 langkah jauh lebih besar daripada langkah pertama, dan setiap langkah di antaranya membayar lagi semua langkah sebelumnya.

## Seperti apa contoh hitungan satu run?

Ambil agen dengan konteks dasar 15.000 token (system prompt, selusin tool, dan repo map). Setiap langkah menambah 3.000 token: satu file atau log tes plus balasan model itu sendiri. Setiap langkah menulis 800 token output, termasuk penalaran.

| Langkah | Total input | Output | Panggilan tunggal terbesar |
| --- | --- | --- | --- |
| 10 | 285.000 | 8.000 | 42.000 |
| 30 | 1.755.000 | 24.000 | 102.000 |
| 60 | 6.210.000 | 48.000 | 192.000 |

Dari 30 ke 60 langkah, pekerjaannya dua kali lipat, tetapi inputnya naik sekitar 3,5 kali. Output hanya naik dua kali. Di run-run ini input 36 sampai 130 kali output, itulah sebabnya harga input, dan harga input cache, paling menentukan untuk agen.

Panggilan terbesar juga harus muat di [context window](https://broadrouter.com/id/glossary/context-window/). 192.000 token muat di DeepSeek V4.1 Flash dan GLM 5.3 (masing-masing 1.048.576 token) serta Qwen3.8 27B (262.144). Tidak muat di Gemma 4 VL 26B (32.768): dalam contoh ini panggilan ketujuh saja sudah terlalu besar.

## Seberapa besar caching mengubah tagihan?

Penyedia menagih prefiks prompt yang berulang dengan tarif [input cache](https://broadrouter.com/id/glossary/cached-input-tokens/) yang lebih rendah. Agen yang hanya menambah riwayat di akhir mengirim prefiks yang sama setiap kali plus sedikit tambahan, jadi dalam kasus terbaik hanya token yang ditambahkan sejak panggilan terakhir yang baru:

**Input baru (kasus terbaik) = B + (n − 1) × g**

Selebihnya adalah cache hit. Porsi input cache naik seiring run makin panjang:

| Langkah | Input baru, kasus terbaik | Porsi ter-cache |
| --- | --- | --- |
| 10 | 42.000 | 85% |
| 30 | 102.000 | 94% |
| 60 | 192.000 | 97% |

Agen sungguhan jarang mencapai kasus terbaik, jadi ada gunanya menghitung tiga skenario. Dengan harga DeepSeek V4.1 Flash di BroadNet ($0.175 input, $0.0055 cache, $0.52 output per 1 juta token, dipublikasikan 2026-11-14), berikut biaya setiap run relatif terhadap kasus terbaik 30 langkah:

| Langkah | Cache terbaik | 80% ter-cache | Tanpa cache |
| --- | --- | --- | --- |
| 10 | 0,33× | 0,39× | 1,37× |
| 30 | 1× | 2,07× | 8,11× |
| 60 | 2,33× | 6,84× | 28,2× |

Ada dua hal yang menonjol. Tanpa cache, run 60 langkah berbiaya 28 kali run 30 langkah yang ter-cache dengan baik. Dan caching makin penting makin panjang run-nya. Pada kasus terbaik 30 langkah, output kira-kira sepertiga biaya, input baru kurang dari separuh, dan input cache kurang dari seperempat, jadi setelah caching, penghematan berikutnya ada di output.

Caching bukan sesuatu yang tinggal dinyalakan. Ia bergantung pada penyedia yang menyimpan prefiks dan pada agen Anda yang tidak mengubahnya. Panduan OpenAI menjelaskan pencocokan prefiks yang persis dengan panjang minimum yang bisa di-cache. API milik DeepSeek sendiri menyimpan unit cache di akhir input dan output setiap permintaan, jadi permintaan lanjutan yang memperpanjang permintaan sebelumnya bisa kena cache. [Halaman harga](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-blog-ai-coding-agent-run-cost&utm_content=body) BroadNet menyebut input cache tidak butuh setup, dan dokumentasinya melaporkan hit di `usage.prompt_tokens_details.cached_tokens` jika model menyediakannya. Katalog model BroadNet mencantumkan DeepSeek V4.1 Flash di antara “models we never ran on our hardware” (Terjemahan BroadRouter: model yang tidak pernah kami jalankan di hardware kami), dan Ketentuannya (§7.3) mencakup model itu “when partner-hosted” (Terjemahan BroadRouter: saat di-hosting oleh mitra), jadi di BroadNet model ini disajikan lewat mitra. Ukur hit rate Anda sendiri alih-alih mengandalkan angka milik DeepSeek. Tulis prefiks agar bisa di-cache: [struktur prompt untuk caching](https://broadrouter.com/id/blog/prompt-structure-for-caching/).

## Bagaimana mengestimasi run Anda sendiri?

Skrip ini membaca harga terkini dari [pricing.json](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-blog-ai-coding-agent-run-cost&utm_content=body) publik BroadNet, jadi tidak pernah basi, lalu mencetak total token dan biaya per run untuk setiap skenario cache:

```python
import json, urllib.request

PRICES = json.load(urllib.request.urlopen("https://inference.broadnet.ai/pricing.json"))
m = next(x for x in PRICES["models"] if x["id"] == "broadnet/deepseek-v4.1-flash")
p_in, p_cached, p_out = m["input_per_m"], m["cached_input_per_m"], m["output_per_m"]

def run_tokens(steps, base=15_000, growth=3_000, out_per_step=800, cache_rate=None):
    total_in = steps * base + growth * steps * (steps - 1) // 2
    if cache_rate is None:                      # best case: only new tokens miss
        new_in = base + (steps - 1) * growth
    else:
        new_in = round(total_in * (1 - cache_rate))
    return total_in, new_in, steps * out_per_step

def run_cost(total_in, new_in, out):
    return ((new_in * p_in) + (total_in - new_in) * p_cached + out * p_out) / 1e6

for steps in (10, 30, 60):
    for label, rate in (("best", None), ("80%", 0.8), ("none", 0.0)):
        t, n, o = run_tokens(steps, cache_rate=rate)
        print(f"{steps:>3} steps  cache {label:>4}  input {t:>9,}  new {n:>9,}  "
              f"output {o:>6,}  cost/run {run_cost(t, n, o):.4f} USD")
```

Ganti nilai default dengan angka Anda sendiri. Jangan menebaknya; baca dari satu run nyata:

1.  Catat `prompt_tokens`, `prompt_tokens_details.cached_tokens`, dan `completion_tokens` untuk setiap panggilan, seperti di [tulisan anggaran token agen](https://broadrouter.com/id/blog/agent-token-budget/).
2.  **B** adalah `prompt_tokens` dari panggilan pertama. **g** adalah rata-rata kenaikan `prompt_tokens` dari satu panggilan ke panggilan berikutnya.
3.  Output per langkah adalah rata-rata `completion_tokens`. Angka ini sudah mencakup [token penalaran](https://broadrouter.com/id/glossary/reasoning-tokens/), yang ditagih sebagai output.
4.  Cache rate nyata Anda adalah jumlah `cached_tokens` dibagi jumlah `prompt_tokens`.

[Estimator biaya run agen](https://broadrouter.com/tools/agent-run-cost-estimator/) gratis menjalankan perhitungan yang sama di browser, jadi Anda bisa mencoba jumlah langkah, laju pertambahan, dan cache rate lain tanpa kode.

## Apa yang membuat run lebih mahal dari estimasi?

-   **Retry.** Tool call yang gagal atau retry karena 429 adalah satu panggilan lagi dengan konteks penuh. Hitung sebagai langkah.
-   **Mengubah prefiks.** Timestamp di system prompt, tool yang urutannya berubah, atau file aturan yang diedit di tengah run mengubah input cache kembali menjadi input baru mulai dari titik perubahan.
-   **Pemadatan (compaction).** Meringkas riwayat memperkecil konteks, sehingga input berikutnya berkurang, tetapi riwayat baru itu belum pernah di-cache, jadi panggilan berikutnya membayar harga input penuh. Padatkan jarang dan dalam langkah besar; [manajemen konteks untuk agen yang berjalan lama](https://broadrouter.com/id/blog/long-running-agent-context-management/) membahas kapan melakukannya.
-   **Output tool yang besar.** Log tes 20.000 baris yang ditambahkan di langkah 5 ikut terbawa di setiap langkah berikutnya. Dalam rumus, itu menambah 20.000 × (langkah tersisa) token input.
-   **Reasoning effort.** Effort tinggi bisa melipatgandakan output per langkah. Set `reasoning_effort` ke `low` untuk edit rutin.
-   **Berputar-putar.** Agen yang butuh 60 langkah untuk tugas 30 langkah membayar kuadratnya, bukan dua kali lipatnya. Batas langkah adalah batas biaya. [Sepuluh cara menekan biaya agen coding](https://broadrouter.com/id/blog/cut-coding-agent-llm-costs/) membahas tuas-tuasnya.

## Kapan sesi harga tetap mengalahkan bayar per token?

Ubah biaya per run menjadi angka bulanan: **biaya bulanan = biaya per run × jumlah run per bulan**. Lalu bandingkan dengan paket harga tetap. Di BroadNet, paket mencakup DeepSeek V4.1 Flash tanpa meteran token: Full Moon $60 per bulan, Orbit $15 per minggu, dan Meteor $1 per jam, masing-masing per sesi.

**Jumlah run per bulan untuk titik impas = harga paket ÷ biaya per run.**

Dua hal membuat perbandingan ini tidak sesederhana kelihatannya:

1.  **Cache rate Anda menentukan sisi per token.** Dengan cache rate tinggi, bayar per token di Flash itu murah dan Anda butuh banyak run untuk melewati $60. Dengan cache rate buruk, Anda cepat melewatinya. Tulisan harga tetap menunjukkan titik impas sebagai volume bulanan: sekitar 917 juta token input dan 46 juta token output dengan 80% ter-cache ([hitungan titik impas](https://broadrouter.com/id/blog/flat-rate-vs-pay-per-token-llm-api/)).
2.  **Waktu menentukan plafon sisi harga tetap.** Satu sesi menjalankan satu permintaan dalam satu waktu. Jika satu panggilan rata-rata butuh 20 detik (prefill, sekitar 800 token output pada sekitar 100 token per detik, plus waktu tool), run 30 langkah butuh sekitar 10 menit. Satu sesi kemudian paling banyak memuat sekitar enam run per jam. Lebih banyak agen paralel butuh lebih banyak sesi.

Untuk lonjakan singkat, Meteor bekerja dengan cara yang sama dalam skala lebih kecil: jika enam run muat dalam satu jam, masing-masing berbiaya $1 ÷ 6. Bandingkan dengan biaya per token satu run dari skrip. Untuk mencoba volume Anda sendiri, pakai [kalkulator harga tetap vs per token](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/).

| Pola Anda | Biasanya lebih murah |
| --- | --- |
| Beberapa run singkat per hari | Per token |
| Run panjang dengan caching buruk | Sesi harga tetap |
| Agen berjalan hampir sepanjang jam kerja | Sesi harga tetap |
| Beberapa agen paralel, seharian | Satu sesi harga tetap per agen |
| Butuh tool calling native di BroadNet | Per token di GLM 5.3 atau Qwen3.8 27B |

## Di mana posisi BroadNet Inference?

BroadNet melaporkan token cache dan token penalaran di blok usage, jadi Anda bisa mengukur setiap angka di atas dari run Anda sendiri. DeepSeek V4.1 Flash punya harga input cache yang rendah dan konteks 1.048.576 token, dan paket unlimited menghapus meteran tokennya; [cara kerja sesi](https://broadrouter.com/id/guides/unlimited-llm-api-sessions/).

Cek satu batasan dulu. Dokumentasi BroadNet mencantumkan tool calling hanya untuk [GLM 5.3](https://broadrouter.com/id/models/glm-5.3/) dan [Qwen3.8 27B](https://broadrouter.com/id/models/qwen3.8-27b/), dan keduanya tidak ada di paket harga tetap. Agen yang mengedit lewat teks, seperti [Aider](https://broadrouter.com/id/guides/aider-unlimited-deepseek/), tidak butuh tool call native. Jika agen Anda butuh, uji DeepSeek V4.1 Flash dengan agen Anda sebelum membeli paket, atau anggarkan GLM atau Qwen per token. Dan jika agen Anda hanya sesekali berjalan, bayar per token biasanya lebih murah daripada paket harga tetap mana pun.

Alat gratis untuk topik ini (bahasa Inggris)

-   [Agent run cost estimator](https://broadrouter.com/tools/agent-run-cost-estimator/) Context growth per step, total tokens and cost of one agent run, with a DeepSeek session comparison.
-   [LLM batch job planner](https://broadrouter.com/tools/llm-batch-job-planner/) Run time, binding limit, cost per model and the flat sessions needed to finish a big job by a deadline.
-   [Flat-rate vs per-token LLM cost calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/) Break-even between an unlimited plan and paying per token, per agent.
-   [LLM rate limit and concurrency calculator](https://broadrouter.com/tools/llm-rate-limit-calculator/) Which limit binds first: RPM, TPM or concurrency, with Little's law.

[Alat gratis (bahasa Inggris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

[Token](https://broadrouter.com/id/glossary/token/)

Token adalah satuan teks yang dibaca dan ditulis model bahasa: sebuah kata, bagian kata, tanda baca, atau urutan byte yang dihasilkan tokenizer model. API LLM menghitung, membatasi, dan biasanya menagih pemakaian dalam token.

[Token input cache (cached input tokens)](https://broadrouter.com/id/glossary/cached-input-tokens/)

Token input cache adalah token prompt yang baru saja diproses penyedia LLM dan bisa dipakai ulang dari cache alih-alih dihitung lagi, biasanya prefiks berulang seperti system prompt atau dokumen. Penyedia menagihnya dengan tarif lebih rendah daripada token input baru.

[System prompt (prompt sistem)](https://broadrouter.com/id/glossary/system-prompt/)

System prompt adalah teks instruksi yang dikirim aplikasi ke model bahasa sebelum percakapan, biasanya sebagai pesan dengan peran system atau developer. System prompt menetapkan peran, aturan, gaya bahasa, dan format output model, dan model dirancang untuk mengikutinya di atas pesan pengguna yang bertentangan.

[Tool calling (function calling)](https://broadrouter.com/id/glossary/tool-calling/)

Tool calling, disebut juga function calling, adalah fitur API LLM di mana model mengembalikan permintaan terstruktur untuk menjalankan fungsi yang didefinisikan developer, lengkap dengan argumen JSON. Aplikasi yang menjalankan fungsi itu dan mengirim hasilnya kembali; model tidak pernah menjalankan kode sendiri.

[Token input dan output](https://broadrouter.com/id/glossary/input-and-output-tokens/)

Token input adalah token yang dibaca model bahasa dalam sebuah permintaan, termasuk system prompt, riwayat percakapan, definisi tool, dan gambar. Token output adalah token yang dihasilkannya sebagai balasan, termasuk penalaran. API LLM biasanya menghargainya secara terpisah, dan output biasanya lebih mahal.

[Bayar sesuai pemakaian (pay-as-you-go)](https://broadrouter.com/id/glossary/pay-as-you-go/)

Bayar sesuai pemakaian (pay-as-you-go) adalah model harga di mana Anda hanya membayar yang Anda pakai, dihitung per satuan seperti token, permintaan, atau menit audio, tanpa langganan atau komitmen minimum. Sebagian besar API LLM menagih dengan cara ini, dari saldo prabayar atau tagihan berkala.

[Paket LLM harga tetap (flat-rate)](https://broadrouter.com/id/glossary/flat-rate-llm-plan/)

Paket LLM harga tetap menagih harga tetap untuk satu periode, misalnya sebulan, untuk akses ke API model bahasa, alih-alih menagih per token. Paket seperti ini biasanya membatasi hal lain, seperti konkurensi, kecepatan, model, atau jendela pemakaian, jadi batasnya sama pentingnya dengan harganya.

[Token penalaran (reasoning tokens)](https://broadrouter.com/id/glossary/reasoning-tokens/)

Token penalaran adalah token yang dihasilkan model penalaran untuk mengerjakan suatu masalah sebelum menulis jawaban yang terlihat. Token ini biasanya ditagih sebagai token output, dihitung dalam batas output dan context window, dan bisa disembunyikan atau diringkas oleh API.

## Pertanyaan umum

### Berapa biaya sekali jalan agen coding AI?

Hitung tokennya, lalu beri harga. Dalam contoh tulisan ini, run 30 langkah dengan konteks dasar 15.000 token dan 3.000 token tambahan per langkah mengirim 1.755.000 token input dan 24.000 token output. Biayanya terutama bergantung pada seberapa banyak input yang ditagih dengan tarif cache.

### Kenapa run agen yang lebih panjang jauh lebih mahal?

Setiap langkah mengirim ulang semua yang ada sebelumnya. Input per langkah tumbuh secara linear, jadi totalnya dalam satu run tumbuh sebanding kuadrat jumlah langkah. Menggandakan run dari 30 ke 60 langkah melipatgandakan inputnya sekitar 3,5 kali dalam contoh hitungan.

### Berapa cache hit rate yang wajar untuk agen coding?

Tergantung agen dan penyedianya. Dengan riwayat yang benar-benar hanya ditambah di akhir, hanya token terbaru yang miss, yang dalam contoh kami menghasilkan 85% sampai 97%. Riwayat yang diedit, timestamp di system prompt, dan jeda panjang menurunkannya. Ukur dari prompt\_tokens\_details.cached\_tokens.

### Kapan sesi harga tetap lebih murah daripada bayar per token untuk agen?

Saat biaya per run × jumlah run per bulan lebih besar daripada harga paket. Di BroadNet, Full Moon berharga $60 per bulan per sesi untuk DeepSeek V4.1 Flash. Pemakaian ringan atau sesekali biasanya lebih murah per token.

### Apakah token penalaran mengubah estimasi?

Ya. Token penalaran ditagih sebagai output, dan output lebih mahal per token daripada input. Masukkan penalaran yang Anda ukur ke dalam output per langkah. Di BroadNet, completion\_tokens\_details.reasoning\_tokens melaporkannya jika model menyediakannya.

## Baca juga

-   [Anggaran token agen: ke mana token loop agen pergi](https://broadrouter.com/id/blog/agent-token-budget/)
-   [10 cara menekan biaya LLM agen coding, lengkap dengan estimasi hemat](https://broadrouter.com/id/blog/cut-coding-agent-llm-costs/)
-   [API LLM harga tetap vs bayar per token: hitungan titik impas](https://broadrouter.com/id/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [Token input cache: cara memangkas tagihan API LLM](https://broadrouter.com/id/blog/cached-input-tokens-explained/)
-   [Manajemen konteks untuk agent yang berjalan lama dengan window 1M](https://broadrouter.com/id/blog/long-running-agent-context-management/)
-   [Claude Code dengan model terbuka: proxy, endpoint native, dan batasnya](https://broadrouter.com/id/blog/claude-code-with-openai-compatible-models/)
-   [OpenClaw dan Hermes Agent dengan model murah: setup dan hitungan token](https://broadrouter.com/id/blog/openclaw-hermes-agent-cheap-model/)
-   [Panduan: Cara kerja paket API LLM unlimited untuk agen](https://broadrouter.com/id/guides/unlimited-llm-api-sessions/)
-   [Panduan: Menjalankan Aider dengan DeepSeek V4.1 Flash unlimited](https://broadrouter.com/id/guides/aider-unlimited-deepseek/)

Coba dengan beban kerja Anda yang sebenarnya. Akun baru mendapat kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM, dan Qwen3.8 memerlukan top up.

[Mulai](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-blog-ai-coding-agent-run-cost&utm_content=page-cta) ·

**Sumber**

-   [Referensi API BroadNet Inference: field usage, cached\_tokens, penalaran dihitung ke max\_tokens, batas (dicek 2026-11-15) (bahasa Inggris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-blog-ai-coding-agent-run-cost&utm_content=sources)
-   [Halaman harga dan pricing.json BroadNet Inference, harga diperbarui 2026-11-14 (dicek 2026-11-15) (bahasa Inggris)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-blog-ai-coding-agent-run-cost&utm_content=sources)
-   [Halaman paket BroadNet Inference: satu permintaan dalam satu waktu per sesi, tanpa meteran token (dicek 2026-11-15) (bahasa Inggris)](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-blog-ai-coding-agent-run-cost&utm_content=sources)
-   [Panduan prompt caching OpenAI: pencocokan prefiks dan panjang minimum yang bisa di-cache (dicek 2026-11-15)](https://developers.openai.com/api/docs/guides/prompt-caching)
-   [Dokumentasi API DeepSeek, context caching: unit cache di batas permintaan (dicek 2026-11-15)](https://api-docs.deepseek.com/guides/kv_cache)
