Kostenbewusste LLM-Pipeline

Was macht Kostenbewusste LLM-Pipeline?

Muster zur Kontrolle der LLM-API-Kosten bei gleichzeitiger Beibehaltung der Qualität. Kombiniert Modell-Routing, Budgetverfolgung, Wiederholungslogik und Prompt-Caching zu einer komponierbaren Pipeline.

Wann zu aktivieren

• Erstellen von Anwendungen, die LLM-APIs (Claude, GPT, usw.) aufrufen
• Verarbeiten von Batches mit Elementen unterschiedlicher Komplexität
• Notwendigkeit, innerhalb eines Budgets für API-Ausgaben zu bleiben
• Optimierung der Kosten, ohne bei komplexen Aufgaben die Qualität zu beeinträchtigen

Kernkonzepte

1. Modell-Routing nach Aufgabenkomplexität

Automatisch günstigere Modelle für einfache Aufgaben auswählen, teure Modelle für komplexe reservieren.

MODEL_SONNET = "claude-sonnet-5"
MODEL_HAIKU = "claude-haiku-4-5-20251001"

_SONNET_TEXT_THRESHOLD = 10_000  # Zeichen
_SONNET_ITEM_THRESHOLD = 30     # Elemente

def select_model(
    text_length: int,
    item_count: int,
    force_model: str | None = None,
) -> str:
    """Modell basierend auf Aufgabenkomplexität auswählen."""
    if force_model is not None:
        return force_model
    if text_length >= _SONNET_TEXT_THRESHOLD or item_count >= _SONNET_ITEM_THRESHOLD:
        return MODEL_SONNET  # Komplexe Aufgabe
    return MODEL_HAIKU  # Einfache Aufgabe (3-4x günstiger)

2. Unveränderliche Kostenverfolgung

Kumulative Ausgaben mit frozen Dataclasses verfolgen. Jeder API-Aufruf gibt einen neuen Tracker zurück – mutiert niemals den Zustand.

from dataclasses import dataclass

@dataclass(frozen=True, slots=True)
class CostRecord:
    model: str
    input_tokens: int
    output_tokens: int
    cost_usd: float

@dataclass(frozen=True, slots=True)
class CostTracker:
    budget_limit: float = 1.00
    records: tuple[CostRecord, ...] = ()

    def add(self, record: CostRecord) -> "CostTracker":
        """Gibt neuen Tracker mit hinzugefügtem Datensatz zurück (mutiert self nie)."""
        return CostTracker(
            budget_limit=self.budget_limit,
            records=(*self.records, record),
        )

    @property
    def total_cost(self) -> float:
        return sum(r.cost_usd for r in self.records)

    @property
    def over_budget(self) -> bool:
        return self.total_cost > self.budget_limit

3. Enge Wiederholungslogik

Nur bei vorübergehenden Fehlern wiederholen. Bei Authentifizierungs- oder fehlerhaften Anfragefehlern schnell scheitern.

from anthropic import (
    APIConnectionError,
    InternalServerError,
    RateLimitError,
)

_RETRYABLE_ERRORS = (APIConnectionError, RateLimitError, InternalServerError)
_MAX_RETRIES = 3

def call_with_retry(func, *, max_retries: int = _MAX_RETRIES):
    """Nur bei vorübergehenden Fehlern wiederholen, bei anderen sofort scheitern."""
    for attempt in range(max_retries):
        try:
            return func()
        except _RETRYABLE_ERRORS:
            if attempt == max_retries - 1:
                raise
            time.sleep(2 ** attempt)  # Exponentielles Backoff
    # AuthenticationError, BadRequestError usw. → sofort auslösen

4. Prompt-Caching

Lange System-Prompts cachen, um sie nicht bei jeder Anfrage erneut senden zu müssen.

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "text",
                "text": system_prompt,
                "cache_control": {"type": "ephemeral"},  # Dies cachen
            },
            {
                "type": "text",
                "text": user_input,  # Variabler Teil
            },
        ],
    }
]

Komposition

Alle vier Techniken in einer einzigen Pipeline-Funktion kombinieren:

def process(text: str, config: Config, tracker: CostTracker) -> tuple[Result, CostTracker]:
    # 1. Modell routen
    model = select_model(len(text), estimated_items, config.force_model)

    # 2. Budget prüfen
    if tracker.over_budget:
        raise BudgetExceededError(tracker.total_cost, tracker.budget_limit)

    # 3. Mit Wiederholung + Caching aufrufen
    response = call_with_retry(lambda: client.messages.create(
        model=model,
        messages=build_cached_messages(system_prompt, text),
    ))

    # 4. Kosten verfolgen (unveränderlich)
    record = CostRecord(model=model, input_tokens=..., output_tokens=..., cost_usd=...)
    tracker = tracker.add(record)

    return parse_result(response), tracker

Preisreferenz (2026)

Modell	Eingabe ($/1M Tokens)	Ausgabe ($/1M Tokens)	Relative Kosten
Haiku 3.5 (Legacy)	$0.80	$4.00	0.8x
Haiku 4.5	$1.00	$5.00	1x
Sonnet 5	$2.00	$10.00	2x
Sonnet 4.6	$3.00	$15.00	3x
Opus 4.8	$5.00	$25.00	5x
Fable 5 / Mythos 5	$10.00	$50.00	10x
Opus 4.0 / 4.1 (Legacy)	$15.00	$75.00	15x

Best Practices

• Mit dem günstigsten Modell beginnen und nur zu teuren Modellen routen, wenn Komplexitätsschwellen erreicht sind
• Explizite Budgetlimits setzen, bevor Batches verarbeitet werden – früh scheitern, statt zu viel auszugeben
• Modellauswahlentscheidungen protokollieren, um Schwellenwerte basierend auf echten Daten anpassen zu können
• Prompt-Caching für System-Prompts über 1024 Tokens verwenden – spart sowohl Kosten als auch Latenz
• Nie bei Authentifizierungs- oder Validierungsfehlern wiederholen – nur bei vorübergehenden Fehlern (Netzwerk, Ratenlimit, Serverfehler)

Anti-Patterns, die vermieden werden sollten

• Das teuerste Modell für alle Anfragen verwenden, unabhängig von der Komplexität
• Bei allen Fehlern wiederholen (verschwendet Budget für dauerhafte Fehler)
• Kostenverfolgungszustand mutieren (erschwert Debugging und Auditing)
• Modellnamen hart im gesamten Codebase codieren (Konstanten oder Konfiguration verwenden)
• Prompt-Caching für wiederholte System-Prompts ignorieren

Wann zu verwenden

• Jede Anwendung, die Claude, OpenAI oder ähnliche LLM-APIs aufruft
• Batch-Verarbeitungspipelines, bei denen die Kosten schnell steigen
• Multi-Modell-Architekturen, die intelligentes Routing benötigen
• Produktionssysteme, die Budgetgrenzen benötigen