你看到 Reasonix 儀表板上的「99%」，第一個反應可能是：Reasonix Cache Hit 這麼高，帳單一定比 OpenCode 便宜吧？但 cache hit 像折價券使用率，不是最後的結帳金額。它省的是重複輸入；模型輸出、失敗重跑與做錯任務仍要付錢。
先交代限制：本文不是 AlphaLab 自跑 DeepSeek API 的 A/B。我們搜尋專案方與第三方的公開結果、核對 token 加總，再以 2026-08-08 官方牌價重算；離線 mock 不冒充模型實測。
先說結論：Reasonix 的 99% 真的省，但不是獨門優勢
- 兩份公開 usage 快照：Reasonix 為 99.824% hit、回算 US$1.376；OpenCode 為 98.912%、回算 US$1.032。兩者工作量不同，總額不能判勝負。
- 品質資料：OpenBench 的 OpenCode 45-run 基準有 97.77% hit，卻只通過 28／44 個可計數嘗試；失敗與 infra run 吃掉約 45.25% 成本。
- Reasonix 自家 e2e：5 個 toy tasks 為 5／5 solved、82% hit；較廣的 8 類 shakedown 則為 6／8。
- 結論：公開結果證明高 hit 省 input，卻因任務、版本與執行者不同，不能判定哪個產品完成同一題更便宜。
Cache hit 是輸入折扣；cost per accepted task 才是最後收據。
99% Cache Hit 到底省了什麼？
DeepSeek context cache 會重用相同 input 前綴，像餐廳預先備好固定前菜；system prompt、工具定義與舊對話對得上，對應 token 就拿 hit 價，分岔後段仍按 miss 計。官方定義也很清楚：prompt_tokens = hit + miss，命中不是 token 消失，而是單價變低。
截至 2026-08-08，DeepSeek V4 Flash 官方牌價為 hit／miss／output 每百萬 token US$0.0028／0.14／0.28。hit input 比 miss 便宜 50 倍，但 output 又是 hit input 的 100 倍；官方也提醒價格可能調整，以下美元都要連日期閱讀。
input_hit_rate = hit ÷ (hit + miss)
cost = (
hit × 0.0028
+ miss × 0.14
+ output × 0.28
) ÷ 1,000,000公開實測重算：Reasonix Cache Hit 99.824%，OpenCode 98.912%
資料一：Reasonix 專案保存的單日案例
Reasonix legacy v1 repo 保存一份 2026-05-01 單一使用者資料：hit 435,033,856、miss 767,616、output 179,763。三項相加正好是 435,981,235 total tokens，input hit rate 為 99.823861%。
套用 8 月 8 日牌價，理論成本 US$1.375895；相同 input 全 miss 則為 US$61.062540，省 97.747%，每百萬 input 有效成本 US$0.003042。它沒有 OpenCode 對照或品質 gate；一個 修正 commit把 case-study body 的 10 倍 hit 價錯誤由約 US$12 攨為 US$1.38，但 v1 README 摘要仍殘留約 US$12，提醒我們必須重算 H／M／O。
較新的 2026 年 8 月 Reasonix field session也回報 hit 1,049,493,632、miss 5,420,691、output 1,469,218，命中率 99.486%。它支持高 hit 並非只存在於舊 v1 材料，但仍沒有版本與品質驗收。
資料二：本機 OpenCode 的單日 API 用量
一位使用者公開 本機 OpenCode 使用 API 的 2026-08-03 用量：hit 186,604,416、miss 2,052,284、output 793,471，精確加總 189,450,171，hit rate 98.912159%。若按官方 Flash 牌價回算為 US$1.031984；全 miss 約 US$26.634110，省 96.125%，每百萬 input 有效成本 US$0.004293。它是匿名自陳，沒有 endpoint、prompt、版本、測試或扣款明細。
另一筆 HN 自陳則有實付金額：OpenCode subagent 使用 V4 Pro，hit 472,971,520、miss 13,299,013、output 3,334,962，命中率 97.265%；作者稱 DeepSeek 實付約 US$10。按 8 月 8 日 Pro 牌價重算 US$10.401，量級吻合，但仍沒有任務驗收。
0.912 個百分點，能說 Reasonix 勝出嗎？
不能。Reasonix 高 0.912 個百分點，但 OpenCode 案例的 output／prompt 比例約 0.421%，Reasonix 只有 0.041%，相差 10.2 倍，顯示工作負載並不相同。公開數據只支持「兩者都能超過 98%」。想理解 harness 與多輪成本，可讀 AI Agent Harness與 Agent Observability。
真正把品質放進分母：OpenCode 45 次公開基準
更接近本文問題的是 OpenBench 封存的 225-row 原始 JSONL。本文採 pinned historical per-arm view：OpenCode＋DeepSeek V4 Flash、reasoning effort medium、15 個 tasks 各跑 3 次，共 45 次；OpenCode 版本混用 1.17.15 與 1.17.18。這不是目前 live unified leaderboard 的共同 matched denominator。
- 品質：28 solved、16 wrong answer、1 infra；排除 infra 後為 28／44，驗收率 63.6%。
- 用量：hit 56,729,728、miss 1,293,192、output 1,293,658，cache hit 97.771%。
- 成本：按 2026-08-08 Flash 牌價回算，45 次合計 US$0.702114；全 miss 反事實為 US$8.485433，節省 91.73%。
- 驗收後成本：所有 45 次成本除以 28 solves，等於每個 successful run US$0.025076。
- 失敗稅：16 個 wrong answer 加 1 個 infra 共花 US$0.317673，占總成本 45.25%。
28 個 accepted runs 的中位 wall time 45.808 秒、中位 provider calls 為 9，正好示範命中率看不到執行成本。這也不是完美真相：sealed bundle可驗結果 hash，卻不能證明未挑選 runs 或 transcripts 經人工 review；部分 task 後來已加固。美元是 AlphaLab 依 proxy token 重算，不是 invoice，這一臂也沒有 Reasonix。
Reasonix 也有品質 gate：5／5 solved，但 hit 只有 82%
Reasonix 專案 2026-08-07 的 first-party real-provider e2e CI用 DeepSeek V4 Flash、agent commit 356918e6d，單次跑 5 個 toy tasks 全過；telemetry estimate 為每 solve US$0.0041、中位 17.8 秒、cache hit 82%。但 workflow 把 1M context 人為設為 20,000，以強制 compaction 與 cache churn。隔日較廣的 8 類 shakedown則為 6／8。條件差異太大，這些結果只能說 hit 與正確率不是同一指標，不能推論低 hit 提升品質。
較接近同題 A/B 的公開回報，反而說「沒明顯差」
本文搜到較接近本題的比較是一位使用者自陳：把同一專案複製給 Reasonix 與 OpenCode，兩天內盡量保持 prompt 相同，兩邊平均都在 92%～98% cache hit；有些 session Reasonix 較省，有些則是 OpenCode。
同一討論區卻有另一個相反說法：同樣 US$0.45，OpenCode 得到 2,500 萬 tokens，Reasonix 約 9,000 萬，看似每美元吞吐量是 3.6 倍。問題是它沒有 H／M／O、相同任務、模型版本或品質結果。兩個軼聞互相衝突，正好說明只看 token／美元無法完成選型。
在本文檢查的公開資料中，尚未看到同時揭露「同 Repo、同題、原始 usage、實際帳單、測試通過率」的 Reasonix／OpenCode A/B。缺的是 accepted-task 分母。
為什麼 Reasonix Cache Hit 99% 仍可能不是最省？
2026 年 5 月的 Reasonix legacy v1 事故把問題放大得很清楚：外部 OMC-managed Claude /autoresearch skill 與遞迴漏洞共同觸發，約 12 分鐘內產生 12,744 個 subagents，消耗 235,681,715 tokens、成本 US$3.40。按 issue 的 hit 223,821,184、miss 3,895,473 重算，input hit 仍有 98.289%。該 issue 已以 V2 rewrite 關閉，不能影射現行 1.21.2；它證明的是高命中可替失控流程減傷，卻不會讓流程自動有效率。
- Output 仍重算：cache 只重用 input；
reasoning_tokens已包含在completion_tokens，不要重複計費。 - Repair 仍加錢：舊 prefix 即使命中，第二輪仍多 output、tool result、API call 與時間。
- 失敗不能消失：未通過 regression 的成本留在分子，任務不能進 accepted 分母；可參考 Claude Code 省 Token A/B。
- 工具畫面不是 provider 真值：OpenCode 1.18.15 的 通用 adapter讀取 nested cached 欄位，DeepSeek 則回傳頂層 hit／miss；cache read 可能少報，應以 raw usage 與帳戶匯出對帳。
哪些變動會縮短可重用 Prefix？
日期、絕對工作路徑、專案規則、system prompt、tool schema 與 compaction 都可能改寫 serialized prefix。精確說法是「縮短共同前綴，讓分岔後 suffix miss」，不是 cache 必然全部歸零。想把這件事做成日常工作流，可延伸讀 Context Engineering。
公開 A/B 證據不完整，怎麼跑自己的最小實驗？
npm install --global reasonix@1.21.2 opencode-ai@1.18.15
reasonix --version
opencode --version- 固定：Repo commit、prompt SHA-256、模型、effort、步數、timeout、工具與絕對路徑。Reasonix 1.21.2 請用
reasonix run／config.toml，先看鎖定版本的--help。 - 驗收：預先寫 tests、hidden regression、可改檔案與失敗定義；每臂至少 3 次，交錯 AB／BA，每次還原 baseline。
- 隔離：DeepSeek API的
user_id可做 KVCache 隔離；每個 replicate 換 ID，另用不同 key 拆帳。 - 留證：proxy 保存去密鑰的 request、raw usage、response model 與 fingerprint；密鑰安全可讀 這篇教學。
cache_hit_rate = Σhit ÷ (Σhit + Σmiss)
cost_per_accepted =
所有 run（含失敗與重試）的 API 成本
÷ 通過品質 gate 的任務數若 accepted 是 0，結果是未定義，不是 US$0。另記 wall time、API calls 與 repair loops；完整做法見 AI Agent Harness 實作。
Reasonix vs OpenCode：現在該怎麼選？
- 選 Reasonix：你主要用 DeepSeek，想直接取得 hit／miss、trajectory、compaction 與 prefix 變因指標，也願意鎖版核對文件。
- 選 OpenCode：你重視較完整的 provider／agent 生態與操作介面，並願意從 DeepSeek 帳戶或 raw response 補上 cache 真值。
- 先別換：你目前只看到 99% 截圖，卻沒有自己的 regression 與失敗成本；公開數據不足以證明換工具會讓 accepted task 更便宜。
Reasonix Cache Hit 常見問答
Q1：99% cache hit 等於帳單省 99% 嗎？
不等於。它只描述 input hit ratio；miss、output 與失敗 run 仍計費。Reasonix 公開案例的全 miss 反事實節省約 97.747%。
Q2：公開結果能證明 Reasonix 比 OpenCode 省嗎？
不能證明因果。99.824% 對 98.912% 是兩個不同工作負載的快照，不是同題隨機交錯 A/B。
Q3：Reasonix 99.82% 是官方保證嗎？
不是。它是 legacy v1 repo 保存的單日使用者案例，沒有對照組或品質 gate。
Q4：OpenCode 也能到 99% 嗎？
公開數據顯示可以接近。本文可驗算案例為 98.912%；另有同專案使用者回報兩邊都在 92%～98%，但不是審計結果。
Q5：OpenCode 顯示 cache read 為 0，代表沒命中嗎？
不一定。1.18.15 的通用 adapter 可能未映射 DeepSeek 頂層欄位；先查 raw response，再對帳戶匯出。
Q6：換一把 API key 就能隔離 cache 嗎？
不能當保證。官方提供的 KVCache 隔離欄位是 user_id；不同 key 適合拆帳。
Q7：日期或 compaction 會讓 cache 全部歸零嗎？
不一定。它們會改變序列化內容、縮短共同 prefix；更前面的 cache unit 仍可能命中，要看實際 hit／miss。
Q8：新手最小要記哪些欄位？
記六項：hit、miss、output、API calls、wall time、是否通過驗收；每個工具至少交錯跑 3 次。
給新手的 5 個重點
- Reasonix 的 99.824% 公開案例確實大幅降低 input 成本。
- OpenCode 公開 API usage 案例也有 98.912%，高命中不是 Reasonix 專屬。
- 兩份不同工作負載 usage 快照的 0.912 個百分點差距，不能當成產品因果。
- 先用 tests 與 regression 決定 accepted，再計入所有失敗與重試成本。
- 鎖版本、標牌價日期，保存 raw hit／miss／output，而不是只看工具畫面。
📚 延伸閱讀
- DeepSeek V4 Flash 完整教學：先理解模型、API 與 reasoning effort。
- Claude Code 省 Token A/B：用同一套驗收觀念比較壓縮工具。
- LLM 推論引擎是什麼：分清楚 API cache 與本地推論基礎設施。
- 動手搭最小 AI Agent Harness：看懂讀檔、工具、回填與停止迴圈。
- AlphaLab AI 課程：把模型、Agent 與自動化整理成可實作路線。
結語：公開數據支持省 input，不支持提前宣布冠軍
Reasonix 的高 Cache Hit 有真實數學效果；按公開 usage 重算，確實把大量 input 從 miss 價搬到 hit 價。但 OpenCode 同樣能達 98% 以上，本文找到的直接比較又缺 accepted-task 品質分母。更可靠的做法是拿自己的 Repo 各跑三次，讓測試、完整收據與 wall time 一起說話。
