---
title: "Para onde vão os tokens de um agente de IA e como cortar"
description: "System prompt, schemas de ferramentas, leituras de arquivos, histórico e raciocínio: como um agente gasta tokens, como medir cada parte e o que cortar primeiro."
url: https://broadrouter.com/pt/blog/agent-token-budget/
lang: pt-BR
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/blog/agent-token-budget/) (atualizado em 2026-11-14).

# Orçamento de tokens de agentes: para onde vão os tokens de um loop

Pela equipe da BroadNet Inference · 5 min de leitura · Publicado em 2026-11-14

Um loop de agente reenvia todo o contexto a cada chamada: system prompt, definições de ferramentas, histórico da conversa, conteúdo de arquivos e saída de ferramentas, mais o passo novo. A entrada costuma superar a saída muitas vezes. Registre prompt\_tokens, cached\_tokens e completion\_tokens por chamada, encontre o maior bloco que se repete e então corte ferramentas, limite a saída delas e reinicie sessões longas.

## Pontos principais

-   Cada chamada ao modelo reenvia o contexto inteiro. Uma tarefa de 40 passos com 30.000 tokens por chamada lê 1,2 milhão de tokens de entrada.
-   As cinco categorias: system prompt, schemas de ferramentas, histórico, leituras de arquivos e saída de ferramentas, e a saída incluindo o raciocínio.
-   Meça por chamada a partir do bloco usage: prompt\_tokens, prompt\_tokens\_details.cached\_tokens e completion\_tokens.
-   A Cursor relatou que o system prompt e as definições de ferramentas tinham virado uma das maiores fontes de gasto sob o controle total dela.
-   Corte nesta ordem: ferramentas sem uso, saída de ferramentas grande demais, histórico velho e, por fim, o system prompt. Mantenha o prefixo estável idêntico para ele continuar em cache.

**Nesta página**

1.  Por que um agente reenvia tudo?
2.  Para onde vão os tokens?
3.  Como medir?
4.  O que cortar primeiro?
5.  Por que manter o prefixo estável?
6.  Como fica o orçamento de um agente de exemplo?
7.  Onde a BroadNet Inference se encaixa

Um chat custa o que você digita mais o que o modelo escreve. Um agente custa muito mais, porque chama o modelo dezenas de vezes e reenvia quase tudo a cada vez. Se você quer cortar esse custo, ou só parar de bater na [janela de contexto](https://broadrouter.com/pt/glossary/context-window/), precisa saber qual parte de cada requisição é grande. Este post divide um loop de agente em cinco categorias, mostra como medir cada uma com os próprios dados de uso da API e lista o que cortar primeiro.

## Por que um agente reenvia tudo?

As APIs de chat completions são stateless. O modelo não lembra nada entre uma chamada e outra, então o agente envia o contexto completo a cada passo. Uma tarefa de 40 passos em que cada chamada carrega 30.000 tokens lê **1,2 milhão de tokens de entrada** para produzir talvez 40.000 tokens de saída. Essa proporção de 30 para 1 é o motivo de os [tokens de entrada](https://broadrouter.com/pt/glossary/input-and-output-tokens/) e o preço deles em cache dominarem a conta de agentes.

## Para onde vão os tokens?

| Categoria | O que é | Repete em toda chamada? | Causa típica |
| --- | --- | --- | --- |
| System prompt | Instruções do agente, arquivos de regras, notas do projeto | Sim | Arquivos de regras longos |
| Schemas de ferramentas | Nome, descrição e JSON Schema de cada ferramenta | Sim | Ferramentas embutidas mais cada servidor MCP |
| Histórico | Mensagens, chamadas de ferramenta e resultados anteriores | Sim, e cresce | Sessões longas |
| Leituras de arquivos e saída de ferramentas | Conteúdo de arquivos, logs de teste, resultados de busca | Sim, até serem removidos | Ler arquivos inteiros, comandos verbosos |
| Saída | Resposta visível, chamadas de ferramenta e raciocínio | Não | Esforço de raciocínio, reescrever arquivos inteiros |

As duas primeiras são custo fixo. Em setembro de 2026, a Cursor escreveu que o system prompt e as definições de ferramentas “had become one of the largest sources of spend that we fully control” (tradução: tinham virado uma das maiores fontes de gasto que controlamos totalmente), e chamou as leituras de arquivos de “another large source of token spend” (tradução: outra grande fonte de gasto de tokens). As mudanças dela, incluindo cortar cerca de dois terços do system prompt e carregar só quando necessário as ferramentas usadas em menos de 20% das conversas, reduziram em 7% o custo de tokens dos usuários. A equipe do VS Code no GitHub apontou os mesmos dois custos no Copilot: o prefixo de prompt repetido e o peso das definições de ferramentas.

## Como medir?

Você não precisa de um produto de tracing. O bloco usage de cada resposta basta.

1.  **Ative o usage.** Com streaming, adicione `stream_options: {"include_usage": true}`; o usage chega no último chunk. Veja [streaming](https://broadrouter.com/pt/guides/streaming-chat-completions/).
2.  **Registre por chamada:** número do passo, `prompt_tokens`, `prompt_tokens_details.cached_tokens`, `completion_tokens` e, quando informado, `completion_tokens_details.reasoning_tokens`.
3.  **Meça o custo fixo uma vez.** Envie uma requisição só com o system prompt e as ferramentas, e a palavra “hi”. O `prompt_tokens` dela é o seu piso.
4.  **Meça a saída de uma ferramenta.** Conte os caracteres de cada resultado de ferramenta antes de anexá-lo. Dividir por quatro dá uma contagem aproximada de tokens para inglês; cole uma amostra no [contador de tokens](https://broadrouter.com/tools/token-counter/) gratuito para ter o número exato no tokenizer do seu modelo.

```python
r = client.chat.completions.create(model=MODEL, messages=msgs, tools=tools)
u = r.usage
cached = getattr(u.prompt_tokens_details, "cached_tokens", 0) or 0
log.info("step=%d prompt=%d cached=%d out=%d", step, u.prompt_tokens, cached, u.completion_tokens)
```

Faça um gráfico de `prompt_tokens` por passo. Uma inclinação constante indica que o histórico está crescendo. Um salto repentino indica que um arquivo ou log grande entrou no contexto. Um piso alto indica ferramentas demais.

No Aider, `/tokens` mostra o que está no contexto atual, e `/drop` remove arquivos dele.

## O que cortar primeiro?

Ordene por tamanho vezes repetições, não pelo que é mais fácil:

1.  **Ferramentas sem uso.** Cada schema de ferramenta vai junto em toda chamada. O guia da OpenAI diz que as definições de funções “are billed as input tokens” (tradução: são cobradas como tokens de entrada) e sugere, como regra flexível, menos de 20 funções no início de um turno. Desative os servidores MCP que você não usa nesta tarefa; a documentação do opencode diz com todas as letras que as ferramentas MCP consomem contexto do modelo.
2.  **Saída de ferramentas.** Limite a saída dos comandos (as últimas 200 linhas de um log de teste, não 20.000). Devolva resultados de busca como caminhos e números de linha, e depois leia só o que for necessário.
3.  **Leituras de arquivos.** Leia a função, não o arquivo. O mapa do repositório do Aider usa um orçamento padrão de 1k tokens (`--map-tokens`) em vez de arquivos inteiros.
4.  **Histórico.** Abra uma tarefa nova para cada mudança. Quando uma sessão precisa continuar, troque os turnos antigos por um resumo curto.
5.  **System prompt.** Tire as regras que o modelo já segue. Mantenha o resto estável.
6.  **Saída.** Peça diffs, não arquivos inteiros. Defina `reasoning_effort` como `low` para passos de rotina. Os [tokens de raciocínio](https://broadrouter.com/pt/glossary/reasoning-tokens/) são cobrados como saída.

## Por que manter o prefixo estável?

Os provedores guardam em cache um prefixo repetido e cobram por ele uma tarifa menor. Na BroadNet Inference, o [DeepSeek V4.1 Flash](https://broadrouter.com/pt/models/deepseek-v4.1-flash/) cobra a [entrada em cache](https://broadrouter.com/pt/glossary/cached-input-tokens/) a $0.0055 por 1M de tokens e a entrada nova a $0.175. O [GLM 5.3](https://broadrouter.com/pt/models/glm-5.3/) cobra $0.173 contra $0.78. Um timestamp no system prompt, ou ferramentas listadas numa ordem diferente a cada chamada, quebram o cache a partir daquele ponto. Coloque as partes estáveis primeiro, numa ordem fixa, e as que mudam por último. Mais detalhes em [tokens de entrada em cache explicados](https://broadrouter.com/pt/blog/cached-input-tokens-explained/); a [calculadora de prompt caching](https://broadrouter.com/tools/prompt-caching-calculator/) mostra quanto uma dada taxa de acerto economiza.

O cache baixa o preço do prefixo, mas não o tamanho dele. Tokens em cache continuam ocupando a janela de contexto e continuam levando tempo para serem processados.

## Como fica o orçamento de um agente de exemplo?

Pegue a tarefa de 40 passos acima, com 80% da entrada em cache:

| Parte | Tokens | Cobrados a |
| --- | --- | --- |
| Entrada nova | 240.000 | Preço de entrada |
| Entrada em cache | 960.000 | Preço de entrada em cache |
| Saída incluindo raciocínio | 40.000 | Preço de saída |

Cortar 5.000 tokens de schemas de ferramentas sem uso em cada chamada tira 200.000 tokens de entrada desta tarefa, cerca de um sexto do total, sem mudar o comportamento do agente. Para as alavancas de custo além do corte, como escolha de modelo, cache e planos fixos, veja [10 formas de reduzir o custo de LLM de agentes de código](https://broadrouter.com/pt/blog/cut-coding-agent-llm-costs/). Para configurações multiagente, multiplique pelo número de agentes; veja [quanto custam as configurações multiagente](https://broadrouter.com/pt/blog/multi-agent-cost/). Para modelar o seu próprio loop passo a passo, use o [estimador de custo por execução de agente](https://broadrouter.com/tools/agent-run-cost-estimator/).

## Onde a BroadNet Inference se encaixa

A BroadNet Inference devolve os tokens de prompt e de completion no bloco usage, mais os tokens em cache e de raciocínio quando o modelo os informa, então a medição acima funciona como está escrita. O preço baixo de entrada em cache no DeepSeek V4.1 Flash recompensa um prefixo estável. Se cortar não valer o seu tempo, os planos ilimitados removem o medidor de tokens do DeepSeek V4.1 Flash por $60 por mês por sessão; a janela de contexto continua valendo, e um contexto enxuto continua rodando mais rápido. Os planos estão em [inference.broadnet.ai/plans](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-agent-token-budget&utm_content=body).

Ferramentas gratuitas sobre o tema (em inglês)

-   [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.

[Ferramentas gratuitas (em inglês)](https://broadrouter.com/tools/)

## Termos neste artigo

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

Um token é a unidade de texto que um modelo de linguagem lê e escreve: uma palavra, parte de uma palavra, um sinal de pontuação ou uma sequência de bytes gerada pelo tokenizador do modelo. As APIs de LLM contam, limitam e normalmente cobram o uso em tokens.

[Tool calling (chamada de ferramentas)](https://broadrouter.com/pt/glossary/tool-calling/)

Tool calling, também chamado de function calling ou chamada de ferramentas, é um recurso de APIs de LLM em que o modelo devolve um pedido estruturado para executar uma função definida pelo desenvolvedor, com argumentos JSON. A aplicação executa a função e devolve o resultado; o modelo nunca executa código sozinho.

[Tokens de entrada em cache (cached input)](https://broadrouter.com/pt/glossary/cached-input-tokens/)

Tokens de entrada em cache são tokens do prompt que um provedor de LLM processou há pouco e pode reaproveitar de um cache em vez de calcular de novo, normalmente um prefixo repetido, como um system prompt ou um documento. Os provedores os cobram com uma tarifa menor que a dos tokens de entrada novos.

[Tokens de entrada e de saída](https://broadrouter.com/pt/glossary/input-and-output-tokens/)

Tokens de entrada são os tokens que um modelo de linguagem lê em uma requisição, incluindo o system prompt, o histórico da conversa, as definições de ferramentas e as imagens. Tokens de saída são os que ele gera na resposta, incluindo o raciocínio. As APIs de LLM costumam cobrá-los separadamente, e a saída costuma custar mais.

[Prompt de sistema (system prompt)](https://broadrouter.com/pt/glossary/system-prompt/)

O system prompt, ou prompt de sistema, é o texto de instruções que uma aplicação envia a um modelo de linguagem antes da conversa, em geral como mensagem com o papel system ou developer. Ele define o papel, as regras, o tom e o formato de saída do modelo, que deve segui-lo mesmo quando mensagens do usuário o contradizem.

[Streaming](https://broadrouter.com/pt/glossary/streaming/)

Streaming é uma forma de devolver a resposta de um modelo de linguagem em pequenos pedaços enquanto ela ainda está sendo gerada, em vez de uma resposta única no final. APIs compatíveis com a OpenAI fazem streaming via server-sent events quando a requisição define stream como true.

[Janela de contexto (context window)](https://broadrouter.com/pt/glossary/context-window/)

A janela de contexto é o número máximo de tokens com que um modelo de linguagem consegue trabalhar em uma única requisição. Ela abrange o prompt, o histórico da conversa, as definições de ferramentas, as imagens e a saída gerada, incluindo os tokens de raciocínio. O que não couber precisa ser cortado, resumido ou dividido em várias requisições.

[MCP (Model Context Protocol)](https://broadrouter.com/pt/glossary/mcp/)

MCP (Model Context Protocol) é um protocolo aberto, baseado em JSON-RPC 2.0, que padroniza como aplicações de LLM se conectam a ferramentas e dados externos. Um servidor MCP expõe ferramentas, recursos e prompts; um client MCP dentro da aplicação host os descobre e repassa ao servidor as chamadas de ferramenta feitas pelo modelo.

## Perguntas frequentes

### Por que o meu agente de código usa tantos tokens de entrada?

Porque a API é stateless. Cada chamada reenvia o system prompt, todas as definições de ferramentas, a conversa até ali e todo o conteúdo de arquivos que ainda está no contexto. Uma sessão longa multiplica isso pelo número de passos.

### Como vejo quantos tokens cada passo do agente usa?

Leia o bloco usage de cada resposta. Com streaming, defina stream\_options include\_usage como true e leia o último chunk. Registre prompt\_tokens, prompt\_tokens\_details.cached\_tokens e completion\_tokens com o número do passo.

### As definições de ferramentas contam como tokens de entrada?

Sim. A lista de ferramentas faz parte do prompt e vai em toda chamada. Os servidores MCP adicionam as ferramentas deles a essa lista, e é por isso que a documentação do opencode diz para adicionar só os servidores de que você precisa.

### O prompt caching resolve o problema?

Ele corta o preço do prefixo repetido, não o tamanho dele. A entrada em cache continua ocupando a janela de contexto. Na BroadNet, o DeepSeek V4.1 Flash cobra a entrada em cache a $0.0055 por 1M de tokens contra $0.175 pela entrada nova.

### Os tokens de raciocínio entram no orçamento?

Sim, do lado da saída. Modelos de raciocínio contam o raciocínio para o max\_tokens e, no pagamento por uso, cobram como saída. Defina reasoning\_effort como low para passos de rotina.

## Continue lendo

-   [OpenClaw e Hermes Agent com um modelo barato: setup e custos](https://broadrouter.com/pt/blog/openclaw-hermes-agent-cheap-model/)
-   [Tokens de entrada em cache: como reduzir a conta de API de LLM](https://broadrouter.com/pt/blog/cached-input-tokens-explained/)
-   [Quanto custam de verdade os sistemas multiagente: token ou sessão fixa](https://broadrouter.com/pt/blog/multi-agent-cost/)
-   [Melhor modelo aberto para agentes de código: ferramentas e custo](https://broadrouter.com/pt/blog/best-open-model-for-coding-agents/)
-   [API de LLM com preço fixo ou por token: a conta do ponto de equilíbrio](https://broadrouter.com/pt/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [Reduzir tokens do prompt: cortes medidos em sistema, tools e dados](https://broadrouter.com/pt/blog/reduce-prompt-tokens/)
-   [Custo de uma execução de agente de código: passos, contexto e cache](https://broadrouter.com/pt/blog/ai-coding-agent-run-cost/)
-   [Claude Code com modelos abertos: proxies, endpoints nativos e limites](https://broadrouter.com/pt/blog/claude-code-with-openai-compatible-models/)
-   [Guia: Streaming de chat completions e conexões que caem](https://broadrouter.com/pt/guides/streaming-chat-completions/)
-   [Guia: Por que um modelo de raciocínio devolve uma resposta vazia](https://broadrouter.com/pt/guides/reasoning-tokens-empty-response/)
-   [Guia: Rode o Aider no DeepSeek V4.1 Flash ilimitado](https://broadrouter.com/pt/guides/aider-unlimited-deepseek/)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

[Começar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-agent-token-budget&utm_content=page-cta) ·

**Fontes**

-   [Cursor, eficiência de tokens aprimorada (23 de setembro de 2026; consultado em 2026-11-14)](https://cursor.com/blog/improved-token-efficiency)
-   [Blog do VS Code, melhorando a eficiência de tokens no GitHub Copilot (consultado em 2026-11-14)](https://code.visualstudio.com/blogs/2026/06/17/improving-token-efficiency-in-github-copilot)
-   [OpenAI, guia de function calling, menos de 20 funções (consultado em 2026-11-14)](https://developers.openai.com/api/docs/guides/function-calling)
-   [Documentação do opencode, servidores MCP e uso de contexto (consultada em 2026-11-14)](https://opencode.ai/docs/mcp-servers/)
-   [Documentação do Aider, mapa do repositório e comandos no chat (consultada em 2026-11-14)](https://aider.chat/docs/repomap.html)
-   [Referência da API da BroadNet Inference, uso e tokens em cache (consultada em 2026-11-14) (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-agent-token-budget&utm_content=sources)
