---
title: "Où partent les tokens d’un agent IA, et comment réduire"
description: "Prompt système, schémas d’outils, lectures de fichiers, historique et raisonnement : où partent les tokens d’un agent, comment mesurer chaque poste et quoi réduire."
url: https://broadrouter.com/fr/blog/agent-token-budget/
lang: fr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/blog/agent-token-budget/) (mis à jour le 2026-11-14).

# Budget de tokens d’un agent : où partent les tokens d’une boucle

Par l’équipe BroadNet Inference · 5 min de lecture · Publié 2026-11-14

Une boucle d’agent renvoie tout son contexte à chaque appel : prompt système, définitions d’outils, historique de conversation, contenu des fichiers et sortie des outils, plus la nouvelle étape. L’entrée dépasse en général largement la sortie. Journalisez prompt\_tokens, cached\_tokens et completion\_tokens par appel, repérez le plus gros bloc répété, puis élaguez les outils, plafonnez leur sortie et relancez les longues sessions.

## À retenir

-   Chaque appel au modèle renvoie le contexte complet. Une tâche de 40 étapes à 30 000 tokens par appel lit 1,2 million de tokens d’entrée.
-   Les cinq postes : prompt système, schémas d’outils, historique, lectures de fichiers et sortie des outils, et sortie y compris le raisonnement.
-   Mesurez par appel à partir du bloc usage : prompt\_tokens, prompt\_tokens\_details.cached\_tokens et completion\_tokens.
-   Cursor a indiqué que son prompt système et ses définitions d’outils étaient devenus l’une des plus grosses sources de dépense qu’il maîtrise entièrement.
-   Élaguez dans cet ordre : outils inutilisés, sortie d’outils surdimensionnée, historique périmé, puis prompt système. Gardez le préfixe stable identique pour qu’il reste en cache.

**Sur cette page**

1.  Pourquoi un agent renvoie-t-il tout ?
2.  Où partent les tokens ?
3.  Comment le mesurer ?
4.  Que faut-il élaguer en premier ?
5.  Pourquoi garder le préfixe stable ?
6.  À quoi ressemble un budget d’agent chiffré ?
7.  La place de BroadNet Inference

Un chat coûte ce que vous tapez plus ce qu’écrit le modèle. Un agent coûte bien davantage, car il appelle le modèle des dizaines de fois et renvoie presque tout à chaque fois. Pour réduire ce coût, ou simplement ne plus buter sur la [fenêtre de contexte](https://broadrouter.com/fr/glossary/context-window/), il faut savoir quelle partie de chaque requête pèse lourd. Cet article découpe une boucle d’agent en cinq postes, montre comment mesurer chacun avec les données d’usage de l’API et indique quoi élaguer en premier.

## Pourquoi un agent renvoie-t-il tout ?

Les API de chat completions sont sans état. Le modèle ne retient rien d’un appel à l’autre : l’agent envoie donc le contexte complet à chaque étape. Une tâche de 40 étapes où chaque appel transporte 30 000 tokens lit **1,2 million de tokens d’entrée** pour produire peut-être 40 000 tokens de sortie. Ce rapport de 30 pour 1 explique pourquoi les [tokens d’entrée](https://broadrouter.com/fr/glossary/input-and-output-tokens/) et leur prix en cache dominent la facture des agents.

## Où partent les tokens ?

| Poste | Ce que c’est | Répété à chaque appel ? | Facteur typique |
| --- | --- | --- | --- |
| Prompt système | Instructions de l’agent, fichiers de règles, notes de projet | Oui | Longs fichiers de règles |
| Schémas d’outils | Nom, description et JSON Schema de chaque outil | Oui | Outils intégrés plus chaque serveur MCP |
| Historique | Messages, appels d’outils et résultats précédents | Oui, et il grossit | Longues sessions |
| Lectures de fichiers et sortie des outils | Contenu des fichiers, logs de tests, résultats de recherche | Oui, jusqu’à ce qu’ils soient retirés | Lecture de fichiers entiers, commandes verbeuses |
| Sortie | Réponse visible, appels d’outils et raisonnement | Non | Effort de raisonnement, réécriture de fichiers entiers |

Les deux premiers sont un surcoût fixe. Cursor a écrit en septembre 2026 que le prompt système et les définitions d’outils « had become one of the largest sources of spend that we fully control » (traduction : « étaient devenus l’une des plus grosses sources de dépense que nous maîtrisons entièrement »), et a qualifié les lectures de fichiers d’« another large source of token spend » (traduction : « autre grosse source de dépense en tokens »). Ses changements, dont un prompt système réduit d’environ deux tiers et des outils utilisés dans moins de 20 % des conversations chargés seulement en cas de besoin, ont réduit de 7 % le coût en tokens de ses utilisateurs. L’équipe VS Code de GitHub a pointé les deux mêmes coûts pour Copilot : le préfixe de prompt répété et le surcoût des définitions d’outils.

## Comment le mesurer ?

Pas besoin d’un produit de tracing. Le bloc usage de chaque réponse suffit.

1.  **Activez l’usage.** En streaming, ajoutez `stream_options: {"include_usage": true}` ; l’usage arrive dans le dernier chunk. Voir [streaming](https://broadrouter.com/fr/guides/streaming-chat-completions/).
2.  **Journalisez par appel :** numéro d’étape, `prompt_tokens`, `prompt_tokens_details.cached_tokens`, `completion_tokens` et, s’il est fourni, `completion_tokens_details.reasoning_tokens`.
3.  **Mesurez une fois le surcoût fixe.** Envoyez une requête avec seulement le prompt système, les outils et le mot « hi ». Son `prompt_tokens` est votre plancher.
4.  **Mesurez la sortie d’un outil.** Comptez les caractères de chaque résultat d’outil avant de l’ajouter. En divisant par quatre, vous obtenez un nombre approximatif de tokens pour un texte anglais ; collez un échantillon dans le [compteur de tokens](https://broadrouter.com/tools/token-counter/) gratuit pour obtenir le chiffre exact avec le tokenizer de votre modèle.

```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)
```

Tracez `prompt_tokens` par étape. Une pente régulière signifie que l’historique grossit. Un saut brutal signifie qu’un gros fichier ou un log est entré dans le contexte. Un plancher élevé signifie trop d’outils.

Dans Aider, `/tokens` indique ce que contient le contexte actuel, et `/drop` en retire des fichiers.

## Que faut-il élaguer en premier ?

Classez par taille multipliée par le nombre de répétitions, pas par facilité :

1.  **Les outils inutilisés.** Chaque schéma d’outil voyage avec chaque appel. Le guide d’OpenAI indique que les définitions de fonctions « are billed as input tokens » (traduction : « sont facturées comme des tokens d’entrée ») et recommande, comme règle souple, moins de 20 fonctions au début d’un tour. Désactivez les serveurs MCP dont cette tâche n’a pas besoin ; la documentation d’opencode dit clairement que les outils MCP consomment du contexte du modèle.
2.  **La sortie des outils.** Plafonnez la sortie des commandes (les 200 dernières lignes d’un log de test, pas 20 000). Renvoyez les résultats de recherche sous forme de chemins et de numéros de ligne, puis ne lisez que le nécessaire.
3.  **Les lectures de fichiers.** Lisez la fonction, pas le fichier. La carte du dépôt d’Aider utilise un budget par défaut de 1k tokens (`--map-tokens`) au lieu de fichiers entiers.
4.  **L’historique.** Démarrez une nouvelle tâche par modification. Quand une session doit continuer, remplacez les anciens tours par un court résumé.
5.  **Le prompt système.** Retirez les règles que le modèle suit déjà. Gardez le reste stable.
6.  **La sortie.** Demandez des diffs, pas des fichiers entiers. Réglez `reasoning_effort` sur `low` pour les étapes de routine. Les [tokens de raisonnement](https://broadrouter.com/fr/glossary/reasoning-tokens/) sont facturés comme de la sortie.

## Pourquoi garder le préfixe stable ?

Les fournisseurs mettent en cache un préfixe répété et le facturent à un tarif réduit. Chez BroadNet Inference, [DeepSeek V4.1 Flash](https://broadrouter.com/fr/models/deepseek-v4.1-flash/) facture l’[entrée en cache](https://broadrouter.com/fr/glossary/cached-input-tokens/) $0.0055 par million de tokens et l’entrée nouvelle $0.175. [GLM 5.3](https://broadrouter.com/fr/models/glm-5.3/) facture $0.173 contre $0.78. Un horodatage dans le prompt système, ou des outils listés dans un ordre différent à chaque appel, casse le cache à partir de cet endroit. Placez les parties stables en premier, dans un ordre fixe, et les parties variables à la fin. Plus de détails dans [les tokens d’entrée en cache expliqués](https://broadrouter.com/fr/blog/cached-input-tokens-explained/) ; le [calculateur de prompt caching](https://broadrouter.com/tools/prompt-caching-calculator/) montre ce que fait économiser un taux de hits donné.

Le cache réduit le prix du préfixe, pas sa taille. Les tokens en cache occupent toujours la fenêtre de contexte et prennent toujours du temps à traiter.

## À quoi ressemble un budget d’agent chiffré ?

Reprenons la tâche de 40 étapes ci-dessus, avec 80 % de l’entrée en cache :

| Partie | Tokens | Facturée au |
| --- | --- | --- |
| Entrée nouvelle | 240 000 | Prix d’entrée |
| Entrée en cache | 960 000 | Prix de l’entrée en cache |
| Sortie, raisonnement compris | 40 000 | Prix de sortie |

Retirer de chaque appel 5 000 tokens de schémas d’outils inutilisés supprime 200 000 tokens d’entrée sur cette tâche, environ un sixième du total, sans rien changer au comportement de l’agent. Pour les leviers de coût au-delà de l’élagage, comme le choix du modèle, le cache et les forfaits, voir [10 façons de réduire le coût LLM d’un agent de code](https://broadrouter.com/fr/blog/cut-coding-agent-llm-costs/). Pour les configurations multi-agents, multipliez par le nombre d’agents ; voir [ce que coûtent les configurations multi-agents](https://broadrouter.com/fr/blog/multi-agent-cost/). Pour modéliser votre propre boucle étape par étape, utilisez l’[estimateur du coût d’une exécution d’agent](https://broadrouter.com/tools/agent-run-cost-estimator/).

## La place de BroadNet Inference

BroadNet Inference renvoie les tokens de prompt et de complétion dans le bloc usage, plus les tokens en cache et de raisonnement quand le modèle les indique : la mesure ci-dessus fonctionne donc telle quelle. Son prix bas pour l’entrée en cache sur DeepSeek V4.1 Flash récompense un préfixe stable. Si l’élagage ne vaut pas votre temps, les forfaits illimités suppriment le compteur de tokens pour DeepSeek V4.1 Flash à $60 par mois et par session ; la fenêtre de contexte s’applique toujours, et un contexte léger reste plus rapide. Les forfaits sont sur [inference.broadnet.ai/plans](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-agent-token-budget&utm_content=body).

Outils gratuits sur ce sujet (en anglais)

-   [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.

[Outils gratuits (en anglais)](https://broadrouter.com/tools/)

## Termes de cet article

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

Un token est l’unité de texte qu’un modèle de langage lit et écrit : un mot, une partie de mot, un signe de ponctuation ou une suite d’octets produite par le tokenizer du modèle. Les API LLM comptent, limitent et facturent généralement l’usage en tokens.

[Appel d’outils (tool calling, function calling)](https://broadrouter.com/fr/glossary/tool-calling/)

L’appel d’outils, aussi appelé function calling, est une fonctionnalité des API LLM dans laquelle le modèle renvoie une demande structurée d’exécution d’une fonction définie par le développeur, avec des arguments JSON. L’application exécute la fonction et renvoie le résultat ; le modèle n’exécute jamais de code lui-même.

[Tokens d’entrée en cache (cached input tokens)](https://broadrouter.com/fr/glossary/cached-input-tokens/)

Les tokens d’entrée en cache sont des tokens de prompt qu’un fournisseur de LLM a traités récemment et peut réutiliser depuis un cache au lieu de les recalculer, en général un préfixe répété comme un prompt système ou un document. Les fournisseurs les facturent moins cher que les nouveaux tokens d’entrée.

[Tokens d’entrée et de sortie](https://broadrouter.com/fr/glossary/input-and-output-tokens/)

Les tokens d’entrée sont les tokens qu’un modèle de langage lit dans une requête, dont le prompt système, l’historique de conversation, les définitions d’outils et les images. Les tokens de sortie sont ceux qu’il génère en réponse, raisonnement compris. Les API LLM les facturent généralement séparément, et la sortie coûte en général plus cher.

[Prompt système (system prompt)](https://broadrouter.com/fr/glossary/system-prompt/)

Le prompt système est le texte d’instructions qu’une application envoie à un modèle de langage avant la conversation, généralement sous forme de message au rôle system ou developer. Il fixe le rôle, les règles, le ton et le format de sortie du modèle, qui est censé le suivre même face à des messages contradictoires de l’utilisateur.

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

MCP (Model Context Protocol) est un protocole ouvert, fondé sur JSON-RPC 2.0, qui normalise la façon dont les applications LLM se connectent à des outils et des données externes. Un serveur MCP expose des outils, des ressources et des prompts ; un client MCP, dans l’application hôte, les découvre et transmet au serveur les appels d’outils du modèle.

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

Le streaming est une manière de renvoyer la réponse d’un modèle de langage par petits chunks pendant sa génération, plutôt qu’en un seul bloc à la fin. Les API compatibles OpenAI streament via des server-sent events quand la requête règle stream sur true.

[Système multi-agents (multi-agent system)](https://broadrouter.com/fr/glossary/multi-agent-system/)

Un système multi-agents est une application LLM dans laquelle plusieurs agents, chacun avec son prompt, ses outils et son contexte, traitent les parties d’une même tâche. Un schéma courant est orchestrateur-workers : un agent principal planifie, lance des agents workers en parallèle et combine leurs résultats.

## Questions fréquentes

### Pourquoi mon agent de code consomme-t-il autant de tokens d’entrée ?

Parce que l’API est sans état. Chaque appel renvoie le prompt système, chaque définition d’outil, la conversation jusque-là et tous les contenus de fichiers encore dans le contexte. Une longue session multiplie cela par le nombre d’étapes.

### Comment voir combien de tokens consomme chaque étape de mon agent ?

Lisez le bloc usage de chaque réponse. En streaming, réglez include\_usage sur true dans stream\_options et lisez le dernier chunk. Journalisez prompt\_tokens, prompt\_tokens\_details.cached\_tokens et completion\_tokens avec un numéro d’étape.

### Les définitions d’outils comptent-elles comme tokens d’entrée ?

Oui. La liste des outils fait partie du prompt et est envoyée à chaque appel. Les serveurs MCP ajoutent leurs outils à cette liste, c’est pourquoi la documentation d’opencode conseille de n’ajouter que les serveurs dont vous avez besoin.

### Le prompt caching règle-t-il le problème ?

Il réduit le prix du préfixe répété, pas sa taille. L’entrée en cache occupe toujours la fenêtre de contexte. Chez BroadNet, DeepSeek V4.1 Flash facture l’entrée en cache $0.0055 par million de tokens, contre $0.175 pour l’entrée nouvelle.

### Les tokens de raisonnement font-ils partie du budget ?

Oui, côté sortie. Les modèles de raisonnement comptent la réflexion dans max\_tokens et la facturent comme de la sortie en paiement à l’usage. Réglez reasoning\_effort sur low pour les étapes de routine.

## À lire ensuite

-   [OpenClaw et Hermes Agent sur un modèle bon marché : config et coûts](https://broadrouter.com/fr/blog/openclaw-hermes-agent-cheap-model/)
-   [Tokens d’entrée en cache : réduire la facture d’une API LLM](https://broadrouter.com/fr/blog/cached-input-tokens-explained/)
-   [Ce que coûte vraiment un système multi-agents : au token ou au forfait](https://broadrouter.com/fr/blog/multi-agent-cost/)
-   [Meilleur modèle ouvert pour agents de code : outils, contexte, coût](https://broadrouter.com/fr/blog/best-open-model-for-coding-agents/)
-   [API LLM : forfait ou paiement au token ? Le calcul de rentabilité](https://broadrouter.com/fr/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [Réduire les tokens du prompt : prompts, outils et données mesurés](https://broadrouter.com/fr/blog/reduce-prompt-tokens/)
-   [Coût d’une exécution d’agent de code IA : étapes, contexte, cache](https://broadrouter.com/fr/blog/ai-coding-agent-run-cost/)
-   [Claude Code et modèles ouverts : proxys, endpoints natifs, limites](https://broadrouter.com/fr/blog/claude-code-with-openai-compatible-models/)
-   [Guide : Streamer des chat completions et gérer les connexions coupées](https://broadrouter.com/fr/guides/streaming-chat-completions/)
-   [Guide : Pourquoi un modèle de raisonnement renvoie une réponse vide](https://broadrouter.com/fr/guides/reasoning-tokens-empty-response/)
-   [Guide : Faire tourner Aider sur DeepSeek V4.1 Flash en illimité](https://broadrouter.com/fr/guides/aider-unlimited-deepseek/)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

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

**Sources**

-   [Cursor, meilleure efficacité en tokens (23 septembre 2026 ; consulté le 2026-11-14)](https://cursor.com/blog/improved-token-efficiency)
-   [Blog de VS Code, meilleure efficacité en tokens dans GitHub Copilot (consulté le 2026-11-14)](https://code.visualstudio.com/blogs/2026/06/17/improving-token-efficiency-in-github-copilot)
-   [OpenAI, guide du function calling, moins de 20 fonctions (consulté le 2026-11-14)](https://developers.openai.com/api/docs/guides/function-calling)
-   [Documentation d’opencode, serveurs MCP et consommation de contexte (consultée le 2026-11-14)](https://opencode.ai/docs/mcp-servers/)
-   [Documentation d’Aider, carte du dépôt et commandes dans le chat (consultée le 2026-11-14)](https://aider.chat/docs/repomap.html)
-   [Référence de l’API de BroadNet Inference, usage et tokens en cache (consultée le 2026-11-14) (en anglais)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-agent-token-budget&utm_content=sources)
