Nagbayad ako sa Anthropic ng US$1,892.38 sa loob ng 13 buwan. Galing iyon sa Claude Code Max na $200 kada buwan, dagdag pa ang $20-100 para sa Codex ng OpenAI. Kapag pinagsama, nasa $200 hanggang $300 kada buwan, sa AI tools pa lang.
Kinansela ko ang Claude Max noong April. Nagsulat ako tungkol dito — ilang beses. Bawat post ay tapat na attempt na alamin kung anong setup ang tama, habang patuloy na nagbabago ang tools sa ilalim ng mga paa ko.
Dalawang buwan na ang nakalipas, tinigil ko nang tuluyan ang pagdu-dual-wield. Lumipat ako sa iisang modelo — DeepSeek V4 Pro na may High Thinking — gamit ang iisang coding agent. Ito ang tunay na nangyari.
June: $57.01. July: $33.09.
Ang bill ko sa DeepSeek noong June: 4.1 billion tokens na naproseso, total na $57.01.
July: 2.1 billion tokens, $33.09. Ang pagbaba ay partly dahil natapos ko ang isang malaking localization project noong June, at partly dahil gumaling ako sa prompt engineering — mas maiikling prompts, mas kaunting retries, parehong kalidad ng output.
Pinagsamang dalawang buwan: $90.10. Mas mababa iyan sa kalahati ng binabayaran ko noon sa isang buwan ng Claude Max. Mas mababa pa sa ikatlo kung idadagdag ang subscription sa Codex.
Ang agad na tanong ng lahat kapag nagbawas ka ng gastos ng 75% ay: "Bumagal ka ba?" Ito ang sagot.
786 Commits. 4 Products. Walang Pagbagal.
Sinusubaybayan ko ang trabaho ko gamit ang git. Hindi ito perpektong sukatan ng produktibidad — walang kwenta ang bilang ng linya, at ang isang commit ay pwedeng kumatawan sa anumang bagay mula sa pag-aayos ng typo hanggang sa database migration. Pero sa pangkalahatan, may sinasabi itong totoo.
Mula June 1 hanggang July 31, 2026, sa apat na products na mina-maintain ko:
-
DIALOGUE (podcast platform): 382 commits. Nag-launch ng 6-language World Cup podcast network na may automated publishing sa YouTube, Spotify, at Apple Podcasts. Bumuo ng 41-post SEO content calendar sa loob ng 8 linggo. Nagpatakbo ng full pipeline evaluation framework gamit ang 40 episodes at isang LLM judge na nag-iscore ng 7 dimensions kada episode.
-
chandlernguyen.com (this site + Ask Sydney): 168 commits. Buong-buo kong nilocalize ang 7-module professional course ko sa Japanese — bawat video, slide deck, template, at companion guide. Bumuo ng 30-question evaluation framework para sa Ask Sydney na may checkpointing, LLM-as-judge scoring, at direktang retrieval sa Supabase. Ni-restructure ang 8,000-char system prompt ni Sydney mula sa simula. Ni-redesign ang editorial flow ng homepage.
-
Prova (AI builder coach): 228 commits. Nag-ship ng unified curriculum sequences para sa tatlong personas. Bumuo ng iPad-native experience na may master-detail patterns at drag-and-drop. Nagdagdag ng cross-device draft sync. Bumuo ng brief-driven reset paths na may carry-forward logic.
-
STRAŦUM (marketing intelligence): 8 commits. Tahimik na period — doc syncs, dependency updates, isang Apple SSO fix. Minsan, hindi pag-ship ang tamang desisyon.
Hindi ako bumabagal. Kung tutuusin, bumibilis pa nga — 786 commits sa loob ng dalawang buwan ang pinaka-produktibo kong stretch simula nang magsimula akong mag-build publicly noong 2023.
Ang Modelo: DeepSeek V4 Pro na may High Thinking
Ang gamit kong modelo ay hindi ang cheapest option ng DeepSeek. Ang V4 Flash ay nagkakahalaga ng $0.14 kada milyong input tokens (cache miss) at $0.28 kada milyong output. Ginamit ko ang Pro version — $0.435 kada milyong input, $0.87 kada milyong output — na may naka-enable na High Thinking mode. Hindi ito ang pinakamurang config. Pero kapag $33 lang ang total bill sa isang buwan, tinatamad na akong lumipat :D
Magsisimula na akong gumamit ng Flash nang mas madalas simula ngayon. Pero may sinasabi iyan tungkol sa psychology ng murang tools: kapag sapat na ang baba ng gastos, tumitigil ka na sa pag-optimize. Basta't nagba-build ka na lang.
Ang Cache Multiplier na Walang Nag-uusap
Ito ang parte na pinaka-importante, at ang parte na nagpapahintulot sa mga headline numbers sa itaas.
Ang OpenCode, ang coding agent na ginagamit ko, ay mayroong DeepSeek prompt cache. Ang cache hit rate ko ay nasa 90-95%+. Lubos nitong binabago ang ekonomiya:
| Token type | Presyo kada 1M tokens |
|---|---|
| Input (cache miss) | $0.435 |
| Input (cache hit) | $0.003625 |
| Output | $0.87 |
Ang cache-hit input tokens ay 120 beses na mas mura kaysa sa cache-miss tokens. Sa 90%+ cache hit, ang effective input cost mo ay halos negligible na parang rounding error. Ang karamihan ng binabayaran mo ay output — ang aktwal na generated code, ang aktwal na mga tugon. Iyan ang arkitektura na nagpapahintulot ng $33/month kahit heavy usage.
Kung walang cache, ang 4.1 billion tokens ng input sa $0.435/M ay aabot sa humigit-kumulang $1,780 — para lang sa June. Sa 95% cache hit, ang effective input cost ay bababa sa humigit-kumulang $7. Mura ang modelo. Ang cache ang nagpapalibre nito.
Anong Kalidad ang Nakukuha sa Ganitong Presyo
Ang tapat na tanong: pareho ba ang kalidad ng DeepSeek V4 Pro sa nakukuha ko sa $200/month na Claude Max + Codex combo?
Ang sagot: depende sa sinusukat mo, pero para sa mga workload ko, maliit ang agwat at pumapaliit pa.
Sa coding tasks: Kayang gawin ng OpenCode + DeepSeek ang parehong saklaw ng trabaho na ginagawa ko noon gamit ang Claude Code at Codex — TypeScript, React, Next.js, FastAPI, Python, Swift, database migrations, YAML configs, shell scripts. Ang napansin kong kahusayan sa token gamit ang Codex (halos 3 beses na mas kaunting tokens kaysa kay Claude para sa parehong trabaho, tulad ng nabanggit ko sa March posts ko) ay makikita rin dito sa ibang paraan — mas concise si DeepSeek. Mas kaunti ang commentary, mas maraming code.
Sa writing tasks: Gamit ko ang parehong DeepSeek model para sa pagsusulat — blog posts, course content, system prompts — direkta sa OpenCode. Iba ang editing cycle kumpara sa nakasanayan ko kay Claude. Ang default style ni Claude ay mas pulido; si DeepSeek ay mas diretso. Walang mas magaling. Ina-adjust mo lang ang iyong prompts.
Sa Sydney eval: Pagkatapos ilipat si Ask Sydney sa DeepSeek, nagpatakbo ako ng 30-question evaluation gamit ang LLM judge. Ang resulta: hindi nagbago ang retrieval quality, ang citation accuracy ay nag-average ng 4.2/5, at ang voice fidelity — kung gaano kahusay na tumunog na tulad ko si Sydney — ay nakakuha ng score na 4.