NextClaw × DeepSeek：三任务实测降本 62%，本次缓存条件下比官方 DSH 低 10.8%

最近给我在做的开源 AI 助手 NextClaw 做了五步成本优化，也拿官方 DeepSeek Harness （ DSH ）跑了一遍对照。同模型、同三项任务，NextClaw 费用比优化前降低 62%，在本次缓存条件下比 DSH 低 10.8%。

模型是 deepseek-v4-flash 。任务包括五文件核对与追问、配置故障诊断与追问、Python 运费边界修复与外部测试。各版本都通过了三项任务。按供应商返回的用量和实验时价格估算，三任务费用合计：

NextClaw 原版：$0.022664
NextClaw 优化版：$0.008613
官方 DSH：$0.009656

缓存命中率分别为 61.99%、84.08%、78.92%。

对照里有个需要说明的差异：NextClaw 首轮多命中了一些缓存，DSH 首轮没有命中。如果只把首轮统一按未命中价格重算，NextClaw 会比 DSH 高约 4.4%。这只是敏感性分析，不是清空缓存后的复测； 10.8% 是当次观测结果，还不能说稳定比官方便宜。

这轮收益比较大的地方是保留原始模型轮次、固定工具声明，以及把部分工具参数改成按需查询。

保留模型轮次那一步，总 token 增加了 5.6%，费用却下降了 33.6%，因为更多输入命中了缓存。只精简常驻提示那一步，费用几乎没动。压缩修复虽然也在五步里，但这组三任务没触发压缩，不能把费用变化算成它的收益。

这是开发版实验，每阶段每项任务只测了一次，没有清空供应商缓存，也没有额外预热。全部 21 个任务样本通过；长会话、大量参数查询的任务还需要另外测试。

五个阶段的费用、token 、耗时，以及完整测试条件和复现方法都整理在这里：
https://docs.nextclaw.io/zh/blog/2026-09-08-deepseek-cache-benchmark

NextClaw 是开源的个人 AI 助手，可以接入模型、调用工具处理任务。想看实现或试用项目：
https://github.com/Peiiii/nextclaw
https://nextclaw.io/zh/download/