I ett blogginlägg den 11 november jämförde OpenRouter hur mycket samma agentuppgift förbrukar när den genomförs på tre olika sätt. Modellerna skulle ta reda på den senaste versionen i kodförrådet cli/cli på GitHub och de tre senaste öppna felrapporterna märkta med etiketten bug.

I varje förfrågan får modellen beskrivningar av de verktyg den har tillgång till, och de debiteras som indatatoken. En MCP-server ger agenten färdiga verktyg, och i varje förfrågan får modellen varje verktygs namn, beskrivning och parameterbeskrivning. Med CLI får modellen bara ett skal och informationen att verktyget gh är installerat. En skill är en instruktionsfil där modellen till en början ser en rad och läser resten först när den behöver den.

Beskrivningar och svar driver upp förbrukningen

Tabellen visar Claude Sonnet 5.5:s indatatoken och pris per uppgift. Modellen svarade rätt i alla körningar. Med standardverktygen förbrukade GitHubs MCP-server 42 gånger så många indatatoken som CLI och kostade 17 gånger så mycket.

Källa: OpenRouter, median av tre körningar den 20 oktober 2026, GitHubs MCP-server v2.0.2.

Resultatet gäller en server och en uppgift, och OpenRouter uppmanar användare att mäta sin egen server. Även modellen spelar roll: beskrivningarna av 46 verktyg lade till 19 436 token i förfrågan med Claude Haiku 5.5 men 8 903 med GPT-6 Luna. En skill kostade mer än CLI eftersom den inlästa instruktionen ligger kvar i konversationen.

En stor del av MCP:s förbrukning kom från verktygets svar. Verktyget som hämtar versionen returnerade 42 182 tecken, varav 87 procent beskrev nedladdningspaket. Med Sonnet 5.5 tog svaret upp ungefär 20 400 token, alltså mer än alla 46 beskrivningar. Det skickades på nytt i varje senare förfrågan.

Avkortningen av svaren till 4 000 tecken fungerade bara för att de fält som behövdes råkade ligga i början. OpenRouter rekommenderar att bara begära de fält som behövs: svaret med listan över felrapporter krympte då från 8 336 tecken till 714.

Verktygssökning hjälpte bara vissa modeller

OpenRouters verktygssökning Tool Search, som är i betaversion, skickar ett verktygs beskrivning först när modellen söker efter det. Med Claude-modellerna upptog beskrivningarna av 46 verktyg bara 578 token i början. För hela uppgiften halverades Sonnet 5.5:s förbrukning från 59 417 till 30 334 token. Med Haiku 5.5 steg den från 99 319 till 154 623 eftersom modellen gång på gång anropade verktyget med felaktiga argument. När verktygssökningen kombinerades med avkortning till 4 000 tecken svarade Gemini 3.8 Flash och Haiku 5.5 rätt bara en gång av tre.

OpenRouter rekommenderar CLI om ett sådant finns och agenten kan köra kommandon. Annars råder företaget till att begränsa MCP till de verktyg som behövs, i GitHubs server med flaggan --tools=get_latest_release,list_issues eller --toolsets=issues,repos.

Även den instruktion för tillägget RavenClaude som publicerats på GitHub rekommenderar i första hand CLI och skill. Den anser dock att MCP är rätt val när agenten behöver det aktuella tillståndet i ett annat system, som GitHub. I OpenRouters GitHub-test svarade gh-CLI ändå rätt med en bråkdel av MCP:s token. Instruktionen bygger på texter från användargemenskapen och anger att dess egna tokenuppskattningar är ungefärliga.

Verktygssökningen fungerar i OpenRouters API:er Responses och Messages. Blogginlägget innehåller ett Python-skript för att mäta förbrukningen i en egen MCP-server.