LLM-Kostenkontrolle für Agenten: 5 Schutzmaßnahmen zur Begrenzung der Ausgaben

Ein gesunder 12-Schritte-Agent-Lauf mit Claude Sonnet 5 kostet etwa $0.39. Derselbe Agent, der in einer 200-Schritte-Schleife feststeckt, kostet etwa $74, weil sein Kontext pro Schritt um 1,800 Tokens wächst und jeder Schritt ihn erneut sendet: insgesamt 36.7 Millionen Eingabetokens. Auf Claude Opus 5 oder GPT-5.5 kostet dieselbe Schleife etwa $185. Fünf Schutzmechanismen stoppen dies: max_tokens pro Aufruf, eine Schrittbegrenzung pro Lauf, eine explizite Abbruchbedingung, ein pro-Lauf-Dollarbudget, das aus den usage-Feldern jeder Antwort berechnet wird, und ein tagesweises Limit in der Vendor-Konsole.

Die ersten drei sind jeweils eine Zeile lang. Der vierte ist der unten stehende 30-Zeilen-Läufer. Der fünfte ist eine Konsoleneinstellung. Setzen Sie alle fünf ein, denn jeder fängt einen Fehler ab, den die anderen übersehen.

Agenten scheitern normalerweise nicht dadurch, dass sie eine einzige riesige Antwort produzieren. Sie scheitern, indem sie immer wieder einen kleinen, vernünftig aussehenden Schritt ausführen. Die Ausfallmodi, die wir am häufigsten sehen:

• Ein Tool, das eine Fehlermeldung zurückgibt, die das Modell als Aufforderung zum erneuten Versuch mit denselben Argumenten für immer interpretiert
• Eine „verify your work“-Anweisung, die das Modell erfüllt, indem es die gesamte Aufgabe erneut ausführt
• Ein Suchtool, das bei jedem Aufruf leicht unterschiedliche Ergebnisse liefert, sodass das Modell sich nie fertig fühlt
• Zwei Agenten, die eine Aufgabe hin und her reichen, wobei jeder glaubt, der andere sei für die Fertigstellung verantwortlich
• Ein stop_reason von max_tokens, den der Schleifencode als „erneut aufrufen“ statt als „etwas ist falsch“ behandelt

Keines davon sieht auf Schritt 5 teuer aus. Es sieht teuer aus auf Schritt 80, wenn der Kontext 147,000 Tokens beträgt und jeder Schritt mehr kostet als die ersten zwanzig zusammen. Die Mechanik dieses Wachstums finden Sie unter [how much an AI agent costs to run](/guides/how-much-does-an-ai-agent-cost-to-run).

Referenz-Trace: 4,000-Token-Präfix, 500-Token-Aufgabe, jeder Schritt fügt einen 300-Token-Tool-Aufruf und ein 1,500-Token-Ergebnis hinzu. Input bei Schritt k ist 4,500 + 1,800 × (k − 1). Über 200 Schritte summiert: 200 × 4,500 + 1,800 × 19,900 = 36,720,000 Input-Tokens. Output ist 200 × 300 = 60,000 Tokens. Kontext bei Schritt 200 ist 362,700 Tokens, was in ein 1M-Fenster passt; ein 200K-Modell wie das alte Claude Haiku 4.5 würde etwa bei Schritt 109 einen Fehler werfen, was ein versehentlicher Schutzmechanismus ist, kein Plan.

Siebzehnmal so viele Schritte, etwa 190-mal so hohe Kosten. Mit Prompt-Caching (Cache-Reads bei etwa 10% des Listenpreises, Writes bei etwa 125% bei Anthropic) wird die Sonnet-5-Schleife zu 362,700 × $2.50 + 36,357,300 × $0.20 + $0.60 = etwa $8.78. Caching lohnt sich, wie [Prompt-Caching für KI-Agenten](/guides/prompt-caching-for-ai-agents) zeigt, aber das 22-fache eines gesunden Laufs ist immer noch eine Rechnung, die man bemerkt. DeepSeek V4.1 Flash, API-Name deepseek-flash, ersetzt V4 Flash, das DeepSeek ausgemustert hat. DeepSeek-Zeilen verwenden Spitzenlast-Preise; außerhalb der Stoßzeiten kostet es die Hälfte. DeepSeek-Preise geprüft am 2026-10-27 auf api-docs.deepseek.com.

1. max_tokens pro Aufruf. Dimensionieren Sie ihn für den Schritt, nicht für das Modelllimit. Ein Tool-Aufrufsschritt benötigt 512 bis 2,048 Tokens; ein Abschlussbericht könnte 4,000 benötigen. Eine einzelne unkontrollierte Antwort mit 32,000 Tokens auf Opus 5 kostet allein 32,000 × $25 = $0.80 und liegt dann im Kontext für jeden weiteren Schritt.

2. Maximale Schritte pro Lauf. Wählen Sie eine Zahl aus Ihren Traces: der p95-Wert erfolgreicher Läufe plus eine Pufferzone. Für die meisten Tool-Schleifen sind das 15 bis 30. Ein Lauf, der das Limit erreicht, sollte laut fehlschlagen, nicht leise das zurückgeben, was er hatte.

3. Eine explizite Abbruchbedingung. Geben Sie dem Modell ein finish- oder report-Tool und beenden Sie die Schleife, wenn es aufgerufen wird oder wenn stop_reason end_turn lautet. Erkennen Sie auch degenerierenden Fortschritt: dasselbe Tool, das zweimal hintereinander mit denselben Argumenten aufgerufen wird, ist eine Schleife, und der Lauf sollte abgebrochen werden.

4. Ein pro-Lauf-Dollarbudget aus usage. Jede Antwort meldet Eingabe-, Cache- und Ausgabetokens. Multiplizieren Sie diese mit den Modelltarifen, summieren Sie sie und brechen Sie ab, sobald das Gesamtvolumen das Limit überschreitet. Dies ist der einzige Schutzmechanismus, dessen Schwelle in der Einheit liegt, die Sie tatsächlich interessiert.

5. Ein tagesweises Kontingent im Vendor-Konsolenbereich. Anthropic und OpenAI ermöglichen Ihnen, Ausgabenlimits pro Workspace oder Projekt mit Warnungen festzulegen; Google Cloud Budgets warnen und können so konfiguriert werden, dass sie die Ausgaben stoppen. Dies ist die Absicherung für den Bug, an den Sie noch nicht gedacht haben.

SDK-Clients versuchen Rate Limits und Serverfehler standardmäßig erneut, meist zwei oder drei Versuche mit exponentiellem Backoff. Eine abgelehnte Anfrage wird in der Regel nicht berechnet, aber eine Anfrage, die nach Beginn der Generierung timeoutet, oft schon, und ein Retry auf Anwendungsebene eines Schritts sendet den gesamten Kontext erneut.

Bei Schritt 100 der Referenzschleife beträgt der Kontext 4,500 + 99 × 1,800 = 182,700 Tokens. Ein einzelner Versuch auf Sonnet 5 ohne Cache kostet 182,700 × $2 = $0.37; drei Versuche kosten $1.10 für null Fortschritt. Mit Cache kostet jeder Versuch etwa $0.04. Daraus ergeben sich zwei Regeln: Behalten Sie die Retry-Anzahl des SDK, wickeln Sie sie niemals in eine eigene Retry-Schleife ein, und wenn Sie einen fehlgeschlagenen Lauf unbedingt von Grund auf neu starten müssen, buchen Sie ihn gegen dasselbe pro-Lauf-Budget ab, statt einen neuen zu beginnen.

Dieser Python-Runner steuert eine Claude-Tool-Schleife und stoppt, sobald entweder das Dollar-Limit oder das Schritt-Limit erreicht ist. Die gleiche Struktur funktioniert bei OpenAI mit responses.create und usage.input_tokens_details.cached_tokens.

from anthropic import Anthropic

PRICES = {"claude-sonnet-5": (2.0, 2.5, 0.2, 10.0)}  # $/1M: input, cache write, cache read, output

class BudgetedRunner:
    def __init__(self, model, system, tools, budget_usd, max_steps=25):
        self.client, self.model, self.system, self.tools = Anthropic(), model, system, tools
        self.budget, self.max_steps, self.spent = budget_usd, max_steps, 0.0

    def cost(self, u):
        i, w, r, o = PRICES[self.model]
        return (u.input_tokens * i + (u.cache_creation_input_tokens or 0) * w
                + (u.cache_read_input_tokens or 0) * r + u.output_tokens * o) / 1e6

    def run(self, messages, execute_tool):
        for step in range(1, self.max_steps + 1):
            resp = self.client.messages.create(model=self.model, max_tokens=1024,
                system=self.system, tools=self.tools, messages=messages)
            self.spent += self.cost(resp.usage)   # e.g. 24,300 in × $2 + 300 out × $10 = $0.052
            if self.spent > self.budget:
                raise RuntimeError(f"budget ${self.budget} exceeded at step {step}: ${self.spent:.3f}")
            messages.append({"role": "assistant", "content": resp.content})
            if resp.stop_reason != "tool_use":
                return resp, self.spent
            results = [{"type": "tool_result", "tool_use_id": b.id,
                        "content": execute_tool(b.name, b.input)}
                       for b in resp.content if b.type == "tool_use"]
            messages.append({"role": "user", "content": results})
        raise RuntimeError(f"step cap {self.max_steps} hit after ${self.spent:.3f}")

Legen Sie budget_usd basierend auf Ihren Traces fest: Dreimal der Median einer erfolgreichen Ausführung ist ein vernünftiger Startwert. Für die Sonnet-5-Referenzausführung sind das etwa $1.20, was die 200-Schritte-Schleife bei Schritt 24 erreichen würde, also grob $73, bevor die Konsole es bemerkt.

Ein Budget stoppt eine einzelne Ausführung. Warnhinweise zeigen Ihnen, dass für weitere Ausführungen ein Budget benötigt wird.

• Protokollieren Sie die Kosten pro Ausführung (nicht pro Aufruf) samt Modell, Schrittzahl und Stoppgrund
• Kennzeichnen Sie jede Ausführung mit der auslösenden Funktion oder dem Kunden, damit ein Preisanstieg einen Verantwortlichen hat
• Warnen Sie bei den p99-Kosten pro Ausführung sowie am Anteil der Ausführungen, die das Schritt-Limit oder das Budget erreichen; steigen beide gleichzeitig, handelt es sich um einen neuen Fehlermodus und nicht nur um einen geschäftigen Tag
• Synchronisieren Sie den Verbrauch wöchentlich mit dem Nutzungsbericht des Anbieters, da ein Runner-Bug, der Token unterzählt, selbst zur Gefahr wird

Wenn Sie über OpenRouter leiten, bieten pro-Key-Credit-Limits ein zweites, anbieterunabhängiges Limit; die Abwägungen dazu finden Sie in [OpenRouter vs direct API](/compare/openrouter-vs-direct-api).

Guardrails begrenzen den Schaden; die Modellwahl bestimmt die Steigung. Für eine klar definierte Schleife verwandelt DeepSeek V4.1 Flash ($0.30 / $1.20) das 200-Schritte-Desaster in eine $11-belästigende Angelegenheit und Gemini 3.8 Flash ($0.75 / $3.75) in $28. Nach unserer Erfahrung sind beide bei strukturierten Tool-Aufrufen zuverlässig, wenn die Aufgabe klar ist, und der Artikel [Gemini Agent API Cost](/guides/gemini-agent-api-cost) behandelt die Gemini-Seite.

Zahlen Sie für Claude Sonnet 5, GPT-5.4 oder ein Flaggschiffmodell, wenn die Aufgabe mehrdeutig ist oder die Schleife lang ist, denn dies sind die Durchläufe, in denen ein günstiges Modell am ehesten abschweift, und genau dieses Abschweifen wird in der obigen Tabelle bepreist. Was auch immer Sie wählen, der oben gezeigte Runner funktioniert unverändert; nur die PRICES-Zeile unterscheidet sich. Bepreisen Sie Ihren eigenen Trace im [Rechner](/calculator) und schauen Sie sich [Claude Agent API Cost](/guides/claude-agent-api-cost) für die nutzungsspezifischen Felder der einzelnen Anbieter an.