---
title: "AI ایجنٹ کے ٹوکن کہاں جاتے ہیں، اور کیسے کم کریں | BroadRouter"
description: "سسٹم پرامپٹ، ٹول اسکیما، فائلیں پڑھنا، ہسٹری اور ریزننگ: ایجنٹ لوپ ٹوکن کیسے خرچ کرتا ہے، usage ڈیٹا سے ہر حصہ کیسے ناپیں، اور پہلے کیا کم کریں۔"
url: https://broadrouter.com/ur/blog/agent-token-budget/
lang: ur
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/agent-token-budget/) (اپ ڈیٹ: 2026-11-14).

# ایجنٹ ٹوکن بجٹ: ایجنٹ لوپ کے ٹوکن کہاں جاتے ہیں

BroadNet Inference ٹیم · 5 منٹ کی پڑھائی · شائع شدہ 2026-11-14

ایجنٹ لوپ ہر کال پر اپنا پورا کانٹیکسٹ دوبارہ بھیجتا ہے: سسٹم پرامپٹ، ٹول کی تعریفیں، گفتگو کی ہسٹری، فائلوں کا مواد اور ٹول آؤٹ پٹ، ساتھ نیا مرحلہ۔ ان پٹ عموماً آؤٹ پٹ سے کئی گنا بھاری ہوتا ہے۔ ہر کال کے prompt\_tokens، cached\_tokens اور completion\_tokens لاگ کریں، سب سے بڑا دہرایا جانے والا حصہ تلاش کریں، پھر ٹولز کم کریں، ٹول آؤٹ پٹ پر حد لگائیں اور لمبے سیشن دوبارہ شروع کریں۔

## اہم نکات

-   ہر ماڈل کال پورا کانٹیکسٹ دوبارہ بھیجتی ہے۔ 40 مراحل والا ٹاسک، جس میں ہر کال 30,000 ٹوکن کی ہو، 12 لاکھ ان پٹ ٹوکن پڑھتا ہے۔
-   پانچ حصے: سسٹم پرامپٹ، ٹول اسکیما، ہسٹری، فائلیں پڑھنا اور ٹول آؤٹ پٹ، اور ریزننگ سمیت آؤٹ پٹ۔
-   ہر کال کو usage بلاک سے ناپیں: prompt\_tokens، prompt\_tokens\_details.cached\_tokens اور completion\_tokens۔
-   Cursor نے بتایا کہ اس کا سسٹم پرامپٹ اور ٹول کی تعریفیں اس کے مکمل اختیار والے خرچ کے سب سے بڑے ذرائع میں سے ایک بن گئی تھیں۔
-   اس ترتیب میں کم کریں: غیر استعمال شدہ ٹولز، ضرورت سے بڑا ٹول آؤٹ پٹ، پرانی ہسٹری، پھر سسٹم پرامپٹ۔ مستحکم پری فکس کو ایک جیسا رکھیں تاکہ وہ کیش رہے۔

**اس صفحے پر**

1.  ایجنٹ سب کچھ دوبارہ کیوں بھیجتا ہے؟
2.  ٹوکن کہاں جاتے ہیں؟
3.  اسے کیسے ناپیں؟
4.  پہلے کیا کم کریں؟
5.  پری فکس مستحکم کیوں رکھیں؟
6.  ایک حل شدہ ایجنٹ بجٹ کیسا دکھتا ہے؟
7.  BroadNet Inference کہاں فٹ ہوتا ہے

چیٹ کی لاگت ہوتی ہے جو آپ ٹائپ کرتے ہیں، اور جو ماڈل لکھتا ہے۔ ایجنٹ کی لاگت اس سے کہیں زیادہ ہوتی ہے، کیونکہ وہ ماڈل کو درجنوں بار کال کرتا ہے اور ہر بار تقریباً سب کچھ دوبارہ بھیجتا ہے۔ اگر آپ یہ لاگت کم کرنا چاہتے ہیں، یا بس [کانٹیکسٹ ونڈو](https://broadrouter.com/ur/glossary/context-window/) کی حد سے ٹکرانا بند کرنا چاہتے ہیں، تو آپ کو معلوم ہونا چاہیے کہ ہر درخواست کا کون سا حصہ بڑا ہے۔ یہ پوسٹ ایجنٹ لوپ کو پانچ حصوں میں بانٹتی ہے، API کے اپنے usage ڈیٹا سے ہر حصہ ناپنے کا طریقہ دکھاتی ہے، اور بتاتی ہے کہ پہلے کیا کم کریں۔

## ایجنٹ سب کچھ دوبارہ کیوں بھیجتا ہے؟

چیٹ کمپلیشنز APIs اسٹیٹ لیس ہیں۔ ماڈل کو کالز کے درمیان کچھ یاد نہیں رہتا، اس لیے ایجنٹ ہر مرحلے پر پورا کانٹیکسٹ بھیجتا ہے۔ 40 مراحل والا ٹاسک، جس میں ہر کال 30,000 ٹوکن لے جاتی ہے، شاید 40,000 آؤٹ پٹ ٹوکن بنانے کے لیے **12 لاکھ ان پٹ ٹوکن** پڑھتا ہے۔ یہی 30 سے 1 کا تناسب وجہ ہے کہ ایجنٹ کے بلوں میں [ان پٹ ٹوکن](https://broadrouter.com/ur/glossary/input-and-output-tokens/) اور ان کی کیش قیمت حاوی رہتی ہے۔

## ٹوکن کہاں جاتے ہیں؟

| حصہ | یہ کیا ہے | ہر کال پر دہرایا جاتا ہے؟ | عام وجہ |
| --- | --- | --- | --- |
| سسٹم پرامپٹ | ایجنٹ کی ہدایات، rules فائلیں، پروجیکٹ نوٹس | ہاں | لمبی rules فائلیں |
| ٹول اسکیما | ہر ٹول کا نام، وضاحت اور JSON Schema | ہاں | بلٹ اِن ٹولز اور ہر MCP سرور |
| ہسٹری | پچھلے پیغامات، ٹول کالز اور نتائج | ہاں، اور بڑھتی ہے | لمبے سیشن |
| فائلیں پڑھنا اور ٹول آؤٹ پٹ | فائلوں کا مواد، ٹیسٹ لاگز، تلاش کے نتائج | ہاں، ہٹائے جانے تک | پوری فائلیں پڑھنا، لمبا آؤٹ پٹ دینے والی کمانڈز |
| آؤٹ پٹ | نظر آنے والا جواب، ٹول کالز اور ریزننگ | نہیں | ریزننگ effort، پوری فائلیں دوبارہ لکھنا |

پہلے دو مقررہ اوور ہیڈ ہیں۔ Cursor نے ستمبر 2026 میں لکھا کہ سسٹم پرامپٹ اور ٹول کی تعریفیں “had become one of the largest sources of spend that we fully control” (ترجمہ: ہمارے مکمل اختیار والے خرچ کے سب سے بڑے ذرائع میں سے ایک بن گئی تھیں)، اور فائلیں پڑھنے کو “another large source of token spend” (ترجمہ: ٹوکن خرچ کا ایک اور بڑا ذریعہ) کہا۔ اس کی تبدیلیوں نے، جن میں سسٹم پرامپٹ کا تقریباً دو تہائی حصہ ہٹانا اور 20% سے کم گفتگو میں استعمال ہونے والے ٹولز کو صرف ضرورت پر لوڈ کرنا شامل تھا، صارفین کی ٹوکن لاگت 7% کم کی۔ GitHub کی VS Code ٹیم نے Copilot کے لیے یہی دو لاگتیں بتائیں: دہرایا جانے والا پرامپٹ پری فکس اور ٹول کی تعریفوں کا اوور ہیڈ۔

## اسے کیسے ناپیں؟

آپ کو کسی ٹریسنگ پروڈکٹ کی ضرورت نہیں۔ ہر جواب کا usage بلاک کافی ہے۔

1.  **usage آن کریں۔** اسٹریمنگ میں `stream_options: {"include_usage": true}` شامل کریں؛ usage آخری چنک میں آتا ہے۔ دیکھیں [اسٹریمنگ](https://broadrouter.com/ur/guides/streaming-chat-completions/)۔
2.  **ہر کال پر لاگ کریں:** مرحلے کا نمبر، `prompt_tokens`، `prompt_tokens_details.cached_tokens`، `completion_tokens` اور، جب بتایا جائے، `completion_tokens_details.reasoning_tokens`۔
3.  **مقررہ اوور ہیڈ ایک بار ناپیں۔** صرف سسٹم پرامپٹ، ٹولز اور لفظ “hi” کے ساتھ ایک درخواست بھیجیں۔ اس کا `prompt_tokens` آپ کی کم از کم سطح ہے۔
4.  **ٹول کا آؤٹ پٹ ناپیں۔** ہر ٹول نتیجہ شامل کرنے سے پہلے اس کے حروف گنیں۔ چار سے تقسیم کرنے پر انگریزی ٹوکنز کی موٹی گنتی ملتی ہے؛ اپنے ماڈل کے tokenizer پر درست عدد کے لیے ایک نمونہ مفت [ٹوکن کاؤنٹر](https://broadrouter.com/tools/token-counter/) میں چسپاں کریں۔

```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)
```

`prompt_tokens` کو مرحلے کے حساب سے پلاٹ کریں۔ مستحکم ڈھلوان کا مطلب ہے ہسٹری بڑھ رہی ہے۔ اچانک اچھال کا مطلب ہے کوئی بڑی فائل یا لاگ کانٹیکسٹ میں آیا۔ اونچی کم از کم سطح کا مطلب ہے بہت زیادہ ٹولز۔

Aider میں `/tokens` بتاتا ہے کہ موجودہ کانٹیکسٹ میں کیا ہے، اور `/drop` اس میں سے فائلیں ہٹاتا ہے۔

## پہلے کیا کم کریں؟

جو سب سے آسان ہے اس کے حساب سے نہیں، سائز ضرب دہرائی کی ترتیب سے:

1.  **غیر استعمال شدہ ٹولز۔** ہر ٹول اسکیما ہر کال کے ساتھ جاتا ہے۔ OpenAI کا گائیڈ کہتا ہے کہ فنکشن کی تعریفیں “are billed as input tokens” (ترجمہ: ان پٹ ٹوکنز کے طور پر بل ہوتی ہیں) اور ٹرن کے آغاز پر 20 سے کم فنکشنز کا مشورہ دیتا ہے، ایک نرم اصول کے طور پر۔ جو MCP سرورز اس ٹاسک میں استعمال نہیں ہو رہے، انہیں بند کریں؛ opencode کی ڈاکس صاف کہتی ہیں کہ MCP ٹولز ماڈل کا کانٹیکسٹ کھاتے ہیں۔
2.  **ٹول آؤٹ پٹ۔** کمانڈ کے آؤٹ پٹ پر حد لگائیں (ٹیسٹ لاگ کی آخری 200 لائنیں، 20,000 نہیں)۔ تلاش کے نتائج پاتھ اور لائن نمبرز کے طور پر لوٹائیں، پھر صرف ضروری حصہ پڑھیں۔
3.  **فائلیں پڑھنا۔** فائل نہیں، فنکشن پڑھیں۔ Aider کا repo map پوری فائلوں کے بجائے ڈیفالٹ 1k ٹوکن بجٹ (`--map-tokens`) استعمال کرتا ہے۔
4.  **ہسٹری۔** ہر تبدیلی کے لیے نیا ٹاسک شروع کریں۔ اگر سیشن جاری رکھنا ہی ہو، تو پرانے ٹرنز کو مختصر خلاصے سے بدل دیں۔
5.  **سسٹم پرامپٹ۔** وہ قواعد ہٹائیں جن کی ماڈل پہلے سے پیروی کرتا ہے۔ باقی کو مستحکم رکھیں۔
6.  **آؤٹ پٹ۔** پوری فائلیں نہیں، diffs مانگیں۔ معمول کے مراحل کے لیے `reasoning_effort` کو `low` پر سیٹ کریں۔ [ریزننگ ٹوکنز](https://broadrouter.com/ur/glossary/reasoning-tokens/) کا بل آؤٹ پٹ کے طور پر بنتا ہے۔

## پری فکس مستحکم کیوں رکھیں؟

فراہم کنندگان دہرائے گئے پری فکس کو کیش کرتے ہیں اور اس کا بل کم شرح پر بناتے ہیں۔ BroadNet Inference پر [DeepSeek V4.1 Flash](https://broadrouter.com/ur/models/deepseek-v4.1-flash/) [کیش شدہ ان پٹ](https://broadrouter.com/ur/glossary/cached-input-tokens/) کا بل فی 1M ٹوکن $0.0055 پر اور نئے ان پٹ کا $0.175 پر بناتا ہے۔ [GLM 5.3](https://broadrouter.com/ur/models/glm-5.3/)، $0.173 بمقابلہ $0.78 لیتا ہے۔ سسٹم پرامپٹ میں ٹائم اسٹیمپ، یا ہر کال میں مختلف ترتیب سے درج ٹولز، اس جگہ سے آگے کیش توڑ دیتے ہیں۔ مستحکم حصے پہلے، مقررہ ترتیب میں رکھیں، اور بدلنے والے حصے آخر میں۔ مزید [کیش شدہ ان پٹ ٹوکنز کی وضاحت](https://broadrouter.com/ur/blog/cached-input-tokens-explained/) میں؛ [پرامپٹ کیشنگ کیلکولیٹر](https://broadrouter.com/tools/prompt-caching-calculator/) دکھاتا ہے کہ کوئی خاص ہٹ کی شرح کتنا بچاتی ہے۔

کیشنگ پری فکس کی قیمت کم کرتی ہے، اس کا سائز نہیں۔ کیش شدہ ٹوکن تب بھی کانٹیکسٹ ونڈو بھرتے ہیں اور پروسیس ہونے میں وقت لیتے ہیں۔

## ایک حل شدہ ایجنٹ بجٹ کیسا دکھتا ہے؟

اوپر والا 40 مراحل کا ٹاسک لیں، جس کا 80% ان پٹ کیش شدہ ہے:

| حصہ | ٹوکن | کس شرح پر بل |
| --- | --- | --- |
| نیا ان پٹ | 240,000 | ان پٹ قیمت |
| کیش شدہ ان پٹ | 960,000 | کیش شدہ ان پٹ قیمت |
| ریزننگ سمیت آؤٹ پٹ | 40,000 | آؤٹ پٹ قیمت |

ہر کال سے غیر استعمال شدہ ٹول اسکیما کے 5,000 ٹوکن ہٹانے پر اس ٹاسک سے 200,000 ان پٹ ٹوکن کم ہو جاتے ہیں، کل کا تقریباً چھٹا حصہ، اور ایجنٹ کے رویے میں کوئی تبدیلی نہیں۔ کم کرنے کے علاوہ لاگت کے دوسرے لیورز، جیسے ماڈل کا انتخاب، کیشنگ اور مقررہ پلانز، کے لیے دیکھیں [کوڈنگ ایجنٹ کی LLM لاگت کم کرنے کے 10 طریقے](https://broadrouter.com/ur/blog/cut-coding-agent-llm-costs/)۔ ملٹی ایجنٹ سیٹ اپس کے لیے ایجنٹس کی تعداد سے ضرب دیں؛ دیکھیں [ملٹی ایجنٹ سیٹ اپس کی لاگت](https://broadrouter.com/ur/blog/multi-agent-cost/)۔ اپنے لوپ کو مرحلہ بہ مرحلہ ماڈل کرنے کے لیے [ایجنٹ رن لاگت تخمینہ کار](https://broadrouter.com/tools/agent-run-cost-estimator/) استعمال کریں۔

## BroadNet Inference کہاں فٹ ہوتا ہے

BroadNet Inference، usage بلاک میں پرامپٹ اور کمپلیشن ٹوکن لوٹاتا ہے، اور ماڈل بتائے تو کیش شدہ اور ریزننگ ٹوکن بھی، اس لیے اوپر کا ناپنے کا طریقہ جیسا لکھا ہے ویسا ہی کام کرتا ہے۔ DeepSeek V4.1 Flash پر اس کی کم کیش شدہ ان پٹ قیمت مستحکم پری فکس کو فائدہ دیتی ہے۔ اگر کم کرنے میں وقت لگانا فائدہ مند نہ ہو، تو لامحدود پلانز DeepSeek V4.1 Flash کا ٹوکن میٹر $60 ماہانہ فی سیشن پر ہٹا دیتے ہیں؛ کانٹیکسٹ ونڈو کی حد تب بھی لاگو ہے، اور ہلکا کانٹیکسٹ تب بھی تیز چلتا ہے۔ پلانز [inference.broadnet.ai/plans](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-agent-token-budget&utm_content=body) پر ہیں۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [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.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[ٹوکن (token)](https://broadrouter.com/ur/glossary/token/)

ٹوکن متن کی وہ اکائی ہے جسے لینگویج ماڈل پڑھتا اور لکھتا ہے: کوئی لفظ، لفظ کا حصہ، رموزِ اوقاف کی کوئی علامت یا بائٹس کا سلسلہ، جو ماڈل کا ٹوکنائزر بناتا ہے۔ LLM API استعمال کو ٹوکنز میں گنتے ہیں، انہی میں حدیں لگاتے ہیں اور عموماً بل بھی بناتے ہیں۔

[AI ایجنٹ (AI agent)](https://broadrouter.com/ur/glossary/agent/)

AI ایجنٹ ایسا نظام ہے جس میں لینگویج ماڈل کسی ہدف کی طرف اپنے قدم خود طے کرتا ہے: کون سے ٹولز کال کرنے ہیں، یہ چنتا ہے، نتائج پڑھتا ہے اور حتمی جواب یا کسی حد تک دہراتا رہتا ہے۔ مقررہ مقامات پر ماڈل کو کال کرنے والی اسکرپٹ کو عموماً workflow کہا جاتا ہے۔

[سسٹم پرامپٹ (system prompt)](https://broadrouter.com/ur/glossary/system-prompt/)

سسٹم پرامپٹ وہ ہدایتی متن ہے جو کوئی ایپلیکیشن گفتگو سے پہلے لینگویج ماڈل کو بھیجتی ہے، عموماً system یا developer رول والے پیغام کے طور پر۔ یہ ماڈل کا کردار، قواعد، لہجہ اور آؤٹ پٹ فارمیٹ طے کرتا ہے، اور ٹکراؤ کی صورت میں ماڈل کو صارف کے پیغامات کے بجائے اسی پر عمل کرنا ہوتا ہے۔

[ان پٹ اور آؤٹ پٹ ٹوکن (input and output tokens)](https://broadrouter.com/ur/glossary/input-and-output-tokens/)

ان پٹ ٹوکن وہ ٹوکن ہیں جو لینگویج ماڈل کسی درخواست میں پڑھتا ہے، جن میں سسٹم پرامپٹ، گفتگو کی تاریخ، ٹول ڈیفینیشنز اور تصاویر شامل ہیں۔ آؤٹ پٹ ٹوکن وہ ہیں جو وہ جواب میں بناتا ہے، ریزننگ سمیت۔ LLM API عموماً دونوں کی قیمت الگ رکھتے ہیں، اور آؤٹ پٹ عموماً مہنگا ہوتا ہے۔

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

MCP (Model Context Protocol)، JSON-RPC 2.0 پر بنا ایک اوپن پروٹوکول ہے جو طے کرتا ہے کہ LLM ایپلیکیشنز بیرونی ٹولز اور ڈیٹا سے کیسے جڑیں۔ MCP سرور ٹولز، ریسورسز اور پرامپٹس فراہم کرتا ہے؛ ہوسٹ ایپلیکیشن کے اندر کا MCP کلائنٹ انہیں تلاش کرتا ہے اور ماڈل کی ٹول کالز سرور تک پہنچاتا ہے۔

[ٹول کالنگ (tool calling)](https://broadrouter.com/ur/glossary/tool-calling/)

ٹول کالنگ، جسے function calling بھی کہتے ہیں، LLM API کی وہ سہولت ہے جس میں ماڈل ڈویلپر کے طے کردہ کسی فنکشن کو چلانے کی ایک منظم درخواست، JSON آرگیومنٹس کے ساتھ، لوٹاتا ہے۔ ایپلیکیشن فنکشن چلا کر نتیجہ واپس بھیجتی ہے؛ ماڈل خود کبھی کوڈ نہیں چلاتا۔

[کانٹیکسٹ ونڈو (context window)](https://broadrouter.com/ur/glossary/context-window/)

کانٹیکسٹ ونڈو ٹوکنز کی وہ زیادہ سے زیادہ تعداد ہے جس کے ساتھ لینگویج ماڈل ایک درخواست میں کام کر سکتا ہے۔ اس میں پرامپٹ، گفتگو کی تاریخ، ٹول ڈیفینیشنز، تصاویر اور بننے والا آؤٹ پٹ، ریزننگ ٹوکنز سمیت، سب شامل ہیں۔ جو اس میں نہ سمائے اسے کاٹنا، خلاصہ کرنا یا کئی درخواستوں میں بانٹنا پڑتا ہے۔

[اسٹریمنگ (streaming)](https://broadrouter.com/ur/glossary/streaming/)

اسٹریمنگ، لینگویج ماڈل کے جواب کو آخر میں ایک ساتھ لوٹانے کے بجائے، بنتے وقت ہی چھوٹے چھوٹے ٹکڑوں (chunks) میں لوٹانے کا طریقہ ہے۔ OpenAI-compatible APIs، درخواست میں stream کو true سیٹ کرنے پر server-sent events کے ذریعے اسٹریم کرتے ہیں۔

## عام سوالات

### میرا کوڈنگ ایجنٹ اتنے زیادہ ان پٹ ٹوکن کیوں استعمال کرتا ہے؟

کیونکہ API اسٹیٹ لیس ہے۔ ہر کال سسٹم پرامپٹ، ہر ٹول کی تعریف، اب تک کی گفتگو اور کانٹیکسٹ میں موجود تمام فائلوں کا مواد دوبارہ بھیجتی ہے۔ لمبا سیشن اسے مراحل کی تعداد سے ضرب دے دیتا ہے۔

### کیسے دیکھوں کہ ایجنٹ کا ہر مرحلہ کتنے ٹوکن استعمال کرتا ہے؟

ہر جواب کا usage بلاک پڑھیں۔ اسٹریمنگ میں stream\_options include\_usage کو true کریں اور آخری چنک پڑھیں۔ prompt\_tokens، prompt\_tokens\_details.cached\_tokens اور completion\_tokens کو مرحلے کے نمبر کے ساتھ لاگ کریں۔

### کیا ٹول کی تعریفیں ان پٹ ٹوکنز میں گنی جاتی ہیں؟

جی ہاں۔ ٹولز کی فہرست پرامپٹ کا حصہ ہے اور ہر کال پر بھیجی جاتی ہے۔ MCP سرورز اپنے ٹولز اسی فہرست میں شامل کرتے ہیں، اسی لیے opencode کی ڈاکس کہتی ہیں کہ صرف ضروری سرورز شامل کریں۔

### کیا پرامپٹ کیشنگ سے مسئلہ حل ہو جاتا ہے؟

یہ دہرائے گئے پری فکس کی قیمت کم کرتی ہے، اس کا سائز نہیں۔ کیش شدہ ان پٹ تب بھی کانٹیکسٹ ونڈو بھرتا ہے۔ BroadNet پر DeepSeek V4.1 Flash کیش شدہ ان پٹ کا بل فی 1M ٹوکن $0.0055 پر بناتا ہے، جبکہ نئے ان پٹ کا $0.175 پر۔

### کیا ریزننگ ٹوکن بجٹ کا حصہ ہیں؟

جی ہاں، آؤٹ پٹ کی طرف۔ ریزننگ ماڈلز سوچ کو max\_tokens میں گنتے ہیں اور استعمال کے مطابق ادائیگی پر اس کا بل آؤٹ پٹ کے طور پر بناتے ہیں۔ معمول کے مراحل کے لیے reasoning\_effort کو low پر سیٹ کریں۔

## مزید پڑھیں

-   [سستے ماڈل پر OpenClaw اور Hermes Agent: سیٹ اپ اور ٹوکن کا حساب](https://broadrouter.com/ur/blog/openclaw-hermes-agent-cheap-model/)
-   [کیش شدہ ان پٹ ٹوکن کیا ہیں: LLM API کا بل کیسے کم کریں](https://broadrouter.com/ur/blog/cached-input-tokens-explained/)
-   [ملٹی ایجنٹ سیٹ اپس کی اصل لاگت: فی ٹوکن بمقابلہ مقررہ سیشن](https://broadrouter.com/ur/blog/multi-agent-cost/)
-   [کوڈنگ ایجنٹس کے لیے بہترین اوپن ماڈل: ٹولز، کانٹیکسٹ اور لاگت](https://broadrouter.com/ur/blog/best-open-model-for-coding-agents/)
-   [مقررہ قیمت بمقابلہ فی ٹوکن ادائیگی والا LLM API: بریک ایون کا حساب](https://broadrouter.com/ur/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [پرامپٹ ٹوکن کیسے کم کریں: سسٹم پرامپٹ، ٹولز، ڈیٹا کی ناپی گئی کٹوتی](https://broadrouter.com/ur/blog/reduce-prompt-tokens/)
-   [AI کوڈنگ ایجنٹ کے ایک رن کی لاگت: مراحل، کانٹیکسٹ اور کیشنگ](https://broadrouter.com/ur/blog/ai-coding-agent-run-cost/)
-   [اوپن ماڈلز کے ساتھ Claude Code: پراکسی، نیٹو اینڈپوائنٹس اور حدیں](https://broadrouter.com/ur/blog/claude-code-with-openai-compatible-models/)
-   [گائیڈ: chat completions اسٹریم کریں اور ٹوٹے کنکشن سنبھالیں](https://broadrouter.com/ur/guides/streaming-chat-completions/)
-   [گائیڈ: ریزننگ ماڈل خالی جواب کیوں لوٹاتا ہے](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/)
-   [گائیڈ: Aider کو لامحدود DeepSeek V4.1 Flash پر چلائیں](https://broadrouter.com/ur/guides/aider-unlimited-deepseek/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

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

**ذرائع**

-   [Cursor، بہتر ٹوکن کارکردگی (23 ستمبر 2026؛ 2026-11-14 کو دیکھا گیا)](https://cursor.com/blog/improved-token-efficiency)
-   [VS Code بلاگ، GitHub Copilot میں ٹوکن کارکردگی بہتر بنانا (2026-11-14 کو دیکھا گیا)](https://code.visualstudio.com/blogs/2026/06/17/improving-token-efficiency-in-github-copilot)
-   [OpenAI، function calling گائیڈ، 20 سے کم فنکشنز (2026-11-14 کو دیکھا گیا)](https://developers.openai.com/api/docs/guides/function-calling)
-   [opencode ڈاکس، MCP سرورز اور کانٹیکسٹ کا استعمال (2026-11-14 کو دیکھا گیا)](https://opencode.ai/docs/mcp-servers/)
-   [Aider ڈاکس، repository map اور ان چیٹ کمانڈز (2026-11-14 کو دیکھا گیا)](https://aider.chat/docs/repomap.html)
-   [BroadNet Inference کا API ریفرنس، usage اور کیش شدہ ٹوکن (2026-11-14 کو چیک کیا گیا) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-agent-token-budget&utm_content=sources)
