Cómo contar tokens de LLM y estimar el coste en VS Code
En esta página 6 secciones
Respuesta corta: pega tu prompt en un contador de tokens y multiplícalo por el precio de cada modelo. En VS Code, ejecuta DevSnip Pro: LLM Models, Tokens & Cost de DevSnip Pro: estima los tokens y el coste por solicitud, por día y por mes en 18 modelos de chat, en local y sin clave de API.

Trabajar con modelos de lenguaje grandes trae preguntas cotidianas: ¿cuántos tokens tiene este prompt?, ¿cuánto costará un millón de llamadas?, ¿por qué no se puede analizar el «JSON» del modelo? y ¿cuántos chunks recuperados caben en la ventana de contexto? Ninguna necesita un asistente de chat. Necesitan herramientas pequeñas y deterministas junto al código que llama al modelo. Todas las herramientas de abajo están en las secciones AI & ML y Data & RAG de la barra lateral de DevSnip Pro, se ejecutan en local y no necesitan clave de API.
Ejecuta DevSnip Pro: LLM Models, Tokens & Cost y pega un prompt real, incluidos el prompt del sistema y un mensaje típico del usuario. El recuento de tokens es una estimación, no el tokenizador exacto de un proveedor. Estima los tokens y el coste por solicitud, por día y por mes en 18 modelos de chat, o compara las ventanas de contexto y los precios lado a lado.
Los precios de los modelos cambian a menudo. Toma la tabla integrada como una estimación y compruébala en la página de precios de tu proveedor antes de comprometerte con un presupuesto.
Prompt Builder rellena una plantilla con variables, señala errores habituales (una {{variable}} sin rellenar, falta de prompt del sistema, pedir JSON sin mostrar su forma, texto largo insertado sin delimitadores) y exporta el payload de la API para tu proveedor. Mantener los prompts como plantillas permite revisarlos como cualquier otro código.
Si tu prompt incluye datos estructurados, JSON → TOON reescribe el JSON en una notación compacta y sin pérdidas. Para datos tabulares suele ahorrar entre un 30 y un 60 % de los tokens.
Los modelos envuelven el JSON en texto, añaden comas finales o cortan una respuesta. LLM Output Cleaner & JSON Validator extrae el JSON de una respuesta, repara los daños habituales y lo valida, para que veas exactamente lo que recibirá tu parser. Combínalo con JSON Schema Validator para comprobar el resultado contra tu contrato.
- Chunking Tester: compara tamaños y estrategias de chunking con tu propio texto antes de generar ningún embedding.
- Context Window Budget: cuántos chunks caben junto al prompt del sistema, el historial y la respuesta.
- Chunk & Index Size Calculator: número de chunks, coste de los embeddings, almacenamiento vectorial y RAM del índice para un corpus.
- Answer Grounding Checker: qué frases de una respuesta están realmente respaldadas por el contexto recuperado.
- Near-Duplicate Chunk Finder: pasajes repetidos que desperdician espacio en el índice y desplazan otros resultados.
- LLM Client Setup: un cliente configurado para OpenAI, Anthropic, Gemini, Azure OpenAI, Ollama o cualquier endpoint compatible con OpenAI.
- AI App Starter: un proyecto de aplicación de IA ejecutable para tu stack.
- GPU Memory & Speed: si un modelo cabe en una GPU y, aproximadamente, a qué velocidad funcionará.
El cliente de API REST conoce la forma de las solicitudes de cada proveedor importante. Puede enviar un prompt, recibir la respuesta en streaming, mostrar tokens, latencia y coste, y validar la salida contra un esquema. Comparar varios modelos lado a lado, hacer benchmarks y probar embeddings, bases de datos vectoriales y pipelines RAG son herramientas avanzadas que se pagan con puntos. Tus claves de API se usan para la solicitud y nunca se escriben en el historial ni en el disco.