Sparen Sie 80 % bei Claude-Tokens durch die Beherrschung von NotebookLM

Letzten Monat habe ich Claude von Pro auf Max für 200 $ im Monat upgegradet, in der Annahme, dass das endlich reichen würde.

Tag 5: Wöchentliches Limit erschöpft.

Als ich die Nutzungsprotokolle durchsah, sah ich genau, wohin das Geld geflossen war. Eine einzige Nachmittagssitzung, in der ich 47 Papers recherchierte, verbrauchte 10 % meines wöchentlichen Limits auf einmal. Wenn ich das zwei- oder dreimal pro Woche mache, kann das Limit natürlich nicht halten.

Das Problem war, dass ich Claude immer wieder Dinge tun ließ, die es nicht gut kann – als Volltext-Suchmaschine fungieren.

Eine 50k-Zeichen-lange Protokolldatei in einen Chat zu stopfen und eine Frage zu stellen bedeutet, dass die gesamte Datei bei jeder Anfrage als Input-Token zählt. Selbst wenn du den Prompt-Cache triffst (wo der Preis 1/10 beträgt), summiert sich die Hauptsitzung trotzdem mit jeder Runde langsam auf. Schlimmer noch: Der Cache hat eine TTL von einer Stunde; wenn du zu lange wartest, musst du ihn zum vollen Preis neu schreiben. Es ist, als würdest du einen Anwalt etwas fragen, ihn aber jedes Mal deinen 50-seitigen Vertrag laut vorlesen lassen, bevor er antworten kann.

Claude Code ist hervorragend in Reasoning, Orchestrierung und Codierung. Das Lesen von Rohmaterial sollte von anderen Tools übernommen werden, während Claude nur die Schlussfolgerungen sieht. Dieser Logik folgend, dachte ich an NotebookLM.

Befolge diesen Konfigurationsleitfaden, und dein 20-Dollar-Konto kann die Arbeit eines 200-Dollar-Kontos erledigen.

Anleitung

Dies ist ein langer Beitrag; du kannst direkt zu dem springen, was dich interessiert:

• I: Was ist NotebookLM + Was kann es?
• II: Warum eine zusätzliche Claude-Schicht?
• III: Die Fähigkeit installieren (10-minütige Einrichtung)
• IV: Echte Token-Abrechnung + Prinzipien-Aufschlüsselung
• V: Workflow für Wissenschaftler / Studenten
• VI: Workflow für Börsengänge / Prospekte lesen
• VII: Workflow für persönliche Wissensdatenbanken
• Zusammenfassung

Wenn du zuerst die Workflows sehen möchtest, springe direkt zu Teil V.

Der Satz in einem Satz:

Der wahre Weg, Claude-Token zu sparen, ist nicht nur, den Cache zu aktivieren; es ist sicherzustellen, dass schwere Daten erst gar nicht in Claude gelangen.

Konkret: Lass NotebookLM die Speicherung und Abfrage übernehmen, während Claude das Reasoning und die Orchestrierung übernimmt. Die Arbeitsteilung ist klar und wird durch diese Analogie zusammengefasst:

NotebookLM ist der Lehrer

: Die Papers, Finanzberichte und Notizen, die du sammelst, bilden seine Wissensbasis. Du fragst ihn, und er antwortet basierend auf Erfahrung mit Quellenangaben, bleibt innerhalb der Grenzen der Quelle und halluziniert nicht.

Claude ist der Assistent

: Verantwortlich für das Schreiben von Code, Ausführen von Skripten, Organisieren von Ergebnissen und Orchestrieren von Tools. Wenn er etwas nicht weiß, fragt er den Lehrer, bekommt die Antwort und arbeitet weiter.

Du bist der Projektleiter

: Du greifst nur an wichtigen Entscheidungspunkten ein.

Wichtige Prinzipien: Warum diese Arbeitsteilung Geld spart

1. RAG vs. Kontext-Stopfen sind zwei unterschiedliche Kostenmodelle.

50.000 Zeichen in einen Claude-Chat zu stopfen, zählt als Input-Token. Jede Frage erfordert, es sich noch einmal "anzusehen", und die Kosten steigen linear mit der Größe des Materials. Bei RAG verwendet NotebookLM eine Vektorsuche, um intern relevante Textstellen zu finden, und Claude sieht nur eine destillierte Antwort von ein paar hundert Wörtern, was die Kosten nahezu konstant macht.

2. Der Prompt-Cache hat eine TTL von 1 Stunde, und die Trefferquoten sind in Forschungsszenarien niedrig.

Viele denken, dass die Aktivierung des Caches alles löst. In Wirklichkeit hat Anthropics Prompt-Cache standardmäßig eine Ablaufzeit von 1 Stunde. Wenn du ein paar Minuten nachdenkst, die Aufgabe wechselst oder eine neue Sitzung öffnest, muss der nächste Aufruf den Cache zum vollen cache_creation-Preis neu schreiben. Forschungssitzungen folgen einem Rhythmus von "fragen, nachdenken, wieder fragen", bei dem die Trefferquoten oft miserabel sind. Das ist der wahre Grund für die explodierenden Rechnungen.

3. Faktenbasierte Ausgabe ist effizienter.

Die Antworten von NotebookLM sind auf deine hochgeladenen Quellen beschränkt, und jeder Satz enthält [1][2]-Zitate, die auf den Text verweisen. Es erfindet nichts. Wenn Claude diese Antworten für Entscheidungen verwendet, musst du es nicht ständig bitten, "noch einmal zu überprüfen", was unschätzbare Zeit spart.

Wer das überspringen sollte:

• Material < 5k Token oder nur ein- oder zweimal prüfen – frage einfach direkt Claude.
• Reine Q&A-Bedürfnisse ohne Workflow-Integration – verwende einfach die NotebookLM-Weboberfläche.
• Wer Antwortgeschwindigkeit über die Rechnung stellt – das ist etwa 3x langsamer.
• Wer Code-Struktur/Definitionen verstehen muss – NotebookLM ist besser für Text-RAG.

Wer weiterlesen sollte:

• Wer spezifische Installationsschritte und zu vermeidende Fallstricke sehen möchte.
• Wer sehen möchte, wie Szenarien auf Befehlszeilenebene übersetzt werden.
• Claude-Code-Benutzer, die NotebookLM zu einer Fähigkeit machen möchten.

Teil I: NotebookLM kennenlernen

Ich habe NotebookLM zum ersten Mal geöffnet, weil ein Freund es empfohlen hatte. Ihre Leseliste für eine Abschlussarbeit umfasste über 60 Papers. Früher durchsuchte sie PDFs mit Strg-F; jetzt wirft sie alle in ein Notizbuch und fragt: "Wer unterstützt Ansicht X, wer lehnt sie ab, und wo liegen die Meinungsverschiedenheiten?" – die Antwort kommt mit [1][2][3]-Zitaten zurück, die beim Anklicken zum genauen Absatz springen.

Sie sagte, es spart ihr über zehn Stunden pro Woche.

Ich habe es eine Woche lang skeptisch ausprobiert und bin süchtig geworden. Hier sind die Vorteile von NotebookLM:

1. Unterstützt 50 Quellen kostenlos / 300 für Pro.
2. Die Verarbeitungsleistung ist kostenlos – Hochladen, Indexieren, Generieren und Chatten nutzen alle Googles Rechenleistung.
3. Über Q&A hinaus kann es automatisch Audio-Podcasts (ideal für Pendler), Mindmaps, PPTs, Karteikarten usw. aus einem Notizbuch erstellen.
4. Die Podcasts sind atemberaubend – wenn man zwei KI-"Fremde" über dein Material aus Blickwinkeln diskutieren hört, die du nicht in Betracht gezogen hast, offenbart das oft neue Erkenntnisse.

Das Format ist nie ein Problem: PDFs, URLs, YouTube-Transkripte, Google Docs, Klartext, Bild-OCR und Audio-Transkriptionen können alles Quellen sein.

Für viele ist NotebookLM bereits ein leistungsstarkes eigenständiges Tool. Wenn dein Bedarf nur darin besteht, "sich zu setzen und Fragen zu stellen", kannst du hier aufhören zu lesen.

Aber ich fand, dass es an zwei Stellen hakt:

1. Kontextwechsel unterbrechen den Fluss.

Ein Thema recherchieren: Frage stellen → Antwort bekommen → auf Zitat klicken, um zur Quelle zu springen → einen Abschnitt lesen → zurück zum Notizbuch, um die Antwort zu kopieren → zu Claude Code wechseln, um sie zu verwenden → Experiment ausführen → eine fehlende Quelle finden → zu Google-Suche wechseln → herunterladen → zurück zum Notizbuch wechseln, um die Quelle hinzuzufügen → weiter Fragen stellen... 200 Mal am Nachmittag die Tabs wechseln.

2. Es ist von lokalen Tools isoliert.

Bei der Fehlersuche bei Online-Vorfällen kann ich Protokolle im Notizbuch durchsuchen. Aber ich muss auch lokale Konfigurationen im Terminal greppen, k8s-Ereignisse überprüfen und Pods hochfahren – die Web-App kann keine lokalen Befehle ausführen. Es ist immer "im Web lesen → manuell tippen → zurückwechseln."

Die NotebookLM-Web-App positioniert sich als das Ziel. Du fragst, es antwortet, Ende der Geschichte. Aber ich möchte, dass es ein Glied in der Montagelinie ist – geplant, stapelverarbeitet, mit Ausgabe, die zum nächsten Schritt fließt.

Hier kommt Claude ins Spiel.

Teil II: Claude als zusätzliche Schicht

Mach NotebookLM zu einem Tool für Claude. Eine Sache reicht: Wenn Claude Fachwissen benötigt, fragt es den Lehrer.

Der Ablauf

Der Lehrer (NotebookLM) ist ein schreibgeschützter Helpdesk: Du wirfst 47 Papers einmal hinein und lässt sie dort. Sie bleiben dort und warten auf Fragen. Keine Notwendigkeit, Notizen oder Code zurückzuspeisen – die Ansichten in den Papers reichen aus, um alle Abfragen zu unterstützen.

Der folgende Prompt codiert die sechs Schritte, die Disziplin und die spezifische Notizbuch-ID in ein Format, das Claude Code ausführen kann (denke daran, die ID zu ersetzen):

1# Rolle
2Du bist mein Forschungsassistent. Mein Fachlehrer ist ein festgelegtes NotebookLM-Notizbuch 
3(ID: 6634ad4d-0594-4700-bddf-4a400ad46fa2), das 47 relevante Papers enthält.
4Du sprichst mit dem Lehrer über die installierte notebooklm-Fähigkeit (`/notecraft chat`-Befehle).
5
6# Eiserne Regeln
71. Bei Fragen, die Paper-Standpunkte, Formeln, Methoden oder bekannte Fallstricke betreffen, **frage zuerst den Lehrer über /notecraft chat**. 
8   Antworte nicht aus dem Gedächtnis und bitte mich nicht, den Paper-Text in den Chat einzufügen.
92. Der Lehrer ist ein **schreibgeschützter Helpdesk**: Gib keine Notizen, keinen Code und keine experimentellen Ergebnisse zurück in das Notizbuch. 
10   Die Wissensbasis bleibt statisch mit den 47 Papers.
113. Die Antworten des Lehrers enthalten [1][2]-Zitate. Behalte diese Zitate in deiner Ausgabe an mich genau so bei.
124. Du entscheidest, ob du den Lehrer zwischendurch erneut fragst – du musst nicht jeden Schritt mit mir abstimmen.
135. Wenn der Lehrer nicht antworten kann oder das Zitat schwach ist, sage explizit "Lehrer hat keine Antwort"; halluziniere nicht.
14
15# Arbeitsablauf
16① Ich gebe dir ein Thema/Teilproblem.
17② Identifiziere Punkte, die Fachwissen erfordern (Paper-Ansichten, frühere Methoden, Formeln, Fehlermodi).
18③ Frage den Lehrer nach diesen Punkten über /notecraft chat, um belegte Antworten zu erhalten.
19④ Führe die Ausführung mit den Antworten durch: schreibe Code, führe Skripte aus, greppe lokale Dateien, organisiere Ergebnisse.
20⑤ Wenn während der Ausführung neue Fragen auftauchen, gehe zurück zu ③ und frage den Lehrer, bis alles geklärt ist.
21⑥ Endgültige Ausgabe an mich:
22   - Schlussfolgerungen (mit [Zitaten] vom Lehrer)
23   - Dein Code / deine experimentellen Ergebnisse
24   - Ein separater Abschnitt für offene Fragen, die der Lehrer nicht abgedeckt hat
25
26# Ausgabeformat
27Verwende dieses Grundgerüst für jede Lieferung:
28
29## Lehrer sagt
30(Wichtige Punkte aus /notecraft chat, [Zitate] beibehalten)
31
32## Was ich getan habe
33(Codes, die du geschrieben hast / ausgeführte Befehle / beobachtete Ergebnisse)
34
35## Fazit
36(Antwort auf mein ursprüngliches Thema)
37
38## Nicht vom Lehrer abgedeckt
39(Punkte, die der Lehrer nicht beantworten konnte oder für die die Zitate schwach waren, zur manuellen Nachverfolgung durch mich)
40
41# Start
42Mein erstes Thema ist: <Schreibe deine Frage hier>

Wichtige Erkenntnisse:

• Die 47 Papers gelangen nie in den Claude-Chat – Main-Session-Token werden nur für Reasoning und Code ausgegeben.
• Der Lehrer wird nur konsultiert, nicht in die Ausführung einbezogen – seine Stärke ist das belegte Abrufen von Fachwissen.
• Du greifst nur bei Schritt ① ein – Claude entscheidet, wann der Lehrer konsultiert wird.
• Die Wissensbasis ist statisch – 47 Papers reichen aus.

Deshalb ist "sie zu verknüpfen" stärker als "sie getrennt zu verwenden": Das eingesparte Tab-Wechseln und die Token sind Bonusvorteile. Lass uns sehen, wie groß diese Vorteile sind.

Teil III: NotebookLM-Client & Fähigkeit installieren

Google bietet keinen offiziellen NotebookLM-Client, aber @icebear0828 hat einen Drittanbieter-Client geschrieben. Nach der Installation können Agenten über die Befehlszeile oder natürliche Sprache auf NotebookLM zugreifen.

https://github.com/icebear0828/notebooklm-client

Grundlegende Installation:

1# Install client
2npm i notebooklm-client
3
4# Export login session (opens browser for Google login)
5npx notebooklm export-session
6
7# Chat with a notebook
8# npx notebooklm chat <notebook-id> --transport auto --question "Summarize this for me"
9
10# Use `/notecraft` in the agent to automate NotebookLM operations after installation
11npx notebooklm skill install

Nach der Installation sagst du einfach "Überprüfe den X-Teil in diesem Notizbuch" im Chat, und Claude ruft es automatisch auf – ohne jedes Mal die Syntax erklären zu müssen.

Teil IV: Praxis-Test – Wie viel Geld wird gespart? (Opus 4.7)

Diese Zahlen sind nicht simuliert; sie stammen aus einer echten Forschungssitzung, die aus den Sitzungsprotokollen von Claude Code entnommen wurde.

Auf der NotebookLM-Seite sind Hochladen, Abruf und Generierung völlig kostenlos von Google und belasten deine Rechnung nicht. Alle folgenden Zahlen zählen nur die Claude Opus-Seite.

Testaufbau:

• Material: 47 Papers zu Image + LiDAR SLAM, alle in einem NotebookLM-Notizbuch.
• Modell: Claude Opus 4.7
• Runden: 5 Runden tiefer Q&A (von "beste SLAM-Rekonstruktionsmethoden" bis "Fallstricke von 3DGS vs. NeRF-Backends").
• Methode: Normales Gespräch in Claude Code, wobei der Assistent jede Runde /notecraft chat aufruft.

Ergebnisse (Diese Methode):

Die Rechnung ergibt sich aus Token-Input + cache_creation und Output. Die günstigeren Sätze (cache_read + Input) sind weniger als 1/10 des Preises, also konzentrieren wir uns auf die teuren Teile:

Insgesamt für 5 Runden: 0,55 $, durchschnittlich etwa 0,11 $ pro Runde.

Schlüsselzahl: cache_creation betrug nur 17.379.

cache_creation ist die Token-Anzahl für das Schreiben neuer Inhalte in den Cache. In diesen 5 Runden wurden nur die Antworten des Lehrers (~3-6k Token) plus kleine System-Inkremente zwischengespeichert – insgesamt 17.000.

Kein einziges Wort aus den 47 Papers gelangte in Claudes `cache_creation` – das ist das Geheimnis der Einsparungen.

Vergleich: 47 Papers direkt in den Prompt stopfen

47 Papers haben insgesamt 384.000 Wörter ≈ 500.000 Token. Traditionelles Prompt-Stopfen sieht so aus:

Der fairste Vergleich ist die zweite Zeile (Einzelsitzung, mehrere Turns) – das beste Szenario für traditionelle Methoden. Selbst dann beträgt der Kostenunterschied über 5 Runden 17x (9,59 $ vs. 0,55 $). Sitzungsübergreifende Szenarien sind noch schlimmer (86x).

Warum hilft der Cache auf traditionelle Weise nicht? Anthropics Cache hat für kostenpflichtige Stufen standardmäßig eine Stunde. Zwischen Nachdenken, Fensterwechseln oder dem Starten einer neuen Sitzung wird der vorherige Cache oft verdrängt.

Bei dieser Methode gelangen die Papers nie in Claude, daher spielen Cache-Treffer keine Rolle.

Wenn sich das Material verdoppelt (100, 200 Papers), vergrößert sich die Kluft linear. Traditionelles cache_creation wächst mit der Anzahl der Papers; diese Methode bleibt nahezu konstant.

Für diejenigen, die mit Opus forschen: Ein Jahr Forschungssitzungen könnte einen Unterschied von 2.000 $ bedeuten – allein dadurch, dass Papers aus Claude heraushalten, sparst du genug, um wieder auf Max aufzurüsten.

Der Preis: 3x langsamer

Wenn dir Sekunden Antwortzeit wichtiger sind als die monatliche Rechnung, ist dieses Setup nichts für dich.

Die folgenden Abschnitte skizzieren drei Workflows, die für NotebookLM geeignet sind.

Teil V: Workflow für Forscher / Studenten

Eine Leseliste ist eine natürliche Wissensgrenze.

Schmerzpunkt: Dutzende Papers pro Semester, die gleichen PDFs immer wieder überprüfen. Strg-F ist anstrengend, und ChatGPT könnte ohne Quellenangaben halluzinieren.

Materialrezept (Einmal hochladen, das ganze Semester verwenden):

• 20-50 themenbezogene Paper-PDFs
• Kurs syllabus, Vorlesungsmitschriften
• E-Mails des Betreuers, Kapitelentwürfe, Lesenotizen

Killer-Fragen an den Lehrer:

• "Welche zwei Papers haben widersprüchliche Schlussfolgerungen, und auf welcher Annahme basiert das?"
• "Wie oft taucht Methode X in diesem Korpus auf, und wie wird sie verwendet?"
• "Sind Formel 3 in Paper A und Formel 7 in Paper B tatsächlich äquivalent?"

Claudes Rolle: Das Projekt voranbringen – Konzepte/Formeln vom Lehrer holen → Code schreiben, um zu replizieren → Experimente ausführen → Notizen organisieren. Rohe Papers gelangen nie in die Claude-Sitzung.

Teil VI: Workflow für Börsengänge / Prospekte

Ein Prospekt umfasst 300-600 Seiten, und das Investitionsfenster beträgt nur drei Tage. Menschen können das nicht rechtzeitig lesen.

Schmerzpunkt: Börsengänge sind schnell. Dokumente haben 500+ Seiten und decken Unternehmensgeschichte, Geschäftsmodelle, Finanzen, Risiken und Ankerinvestoren ab. Das Lesen eines einzigen dauert mindestens 4 Stunden. Bei 5-8 Börsengängen pro Woche ist das unmöglich.

Die wertvollsten Informationen sind nicht die Eigenlobhudelei; es sind die "roten Flaggen", die in Risikofaktoren und Transaktionen mit verbundenen Unternehmen versteckt sind. Menschen übersehen diese leicht.

Materialrezept (Ein Notizbuch pro Unternehmen):

• Vollständiger Prospekt – Der Kern.
• Angaben zu Ankerinvestoren – Wer unterstützt sie und für wie lange?
• Finanzberichte von Wettbewerbern – Benchmarks für die Bewertung.
• Research der Sponsoren/Underwriter – Offizielle Preisfindungslogik.
• Management-Interviews & frühere Finanzierungsrunden – Bewertungssprünge.

Killer-Fragen an den Lehrer:

Um zu entscheiden, ob du investieren solltest, stelle diese 8 Fragen, deren Beantwortung normalerweise Stunden dauert:

1. "Was ist das Kernprodukt? Wie hat sich die Umsatzstruktur in 3 Jahren verändert? Kundenkonzentration?"
2. "Wie schneidet dies im Vergleich zu Wettbewerbern (A, B, C) in Bezug auf Bruttomarge, Wachstum und F&E ab?"
3. "Wer sind die Ankerinvestoren, wie hoch sind die Beträge und die Lock-up-Fristen?"
4. "Schlüssele die Verwendung der Erlöse auf. Was ist der größte Teil? Verwässerung nach dem Börsengang?"
5. "Welche Risikofaktoren sind branchenweit vs. unternehmensspezifisch?"
6. "Frühere Bewertung: Sprungmultiplikator von der letzten Runde zum Börsengang? Lock-up der letzten Runde?"
7. "Gibt es Anzeichen für einmalige Gewinne, die den Gewinn aufblähen? Stimmt der Cashflow mit dem Nettogewinn über 3 Jahre überein?"
8. "Transaktionen mit verbundenen Unternehmen als Prozentsatz des Umsatzes? Irgendwelche verbundenen Unternehmen unter den fünf größten Kunden?"

Jede Antwort enthält [Seitenzahl]-Zitate.

Claudes Rolle:

Stapelverarbeitung ist die Seele dieses Workflows:

Wöchentlicher IPO-Pool = [Aktie A, Aktie B, Aktie C, ...]

Claude fasst die 8 Unternehmen in einer Markdown-Entscheidungstabelle zusammen → Du überfliegst und ordnest in 15 Minuten.

5-8 Börsengänge = 40-64 Abfragen. Gesamtmaterial ~1 Million Token. Traditionelle Methoden würden 50 $+ pro Woche verbrennen; diese Methode kostet unter 2 $.

Teil VII: Workflow für persönliche Wissensdatenbanken

Baue dein "zweites Gehirn" auf.

Schmerzpunkt: Die Obsidian-Suche erkennt nur Schlüsselwörter. Sie kann nicht beantworten "Wie hat sich meine Sicht auf X im Laufe von drei Jahren verändert?" Notizen sind verstreut und variieren im Format.

Materialrezept:

• Vollständiger Obsidian-/Notion-Export
• Kindle-Highlights, Readwise-Clips
• Arbeitstagebücher, Besprechungsprotokolle, Überprüfungsdokumente

Killer-Fragen an den Lehrer:

• "Was habe ich in den letzten drei Jahren über 'Fokus' geschrieben? Hat sich meine Sichtweise geändert?"
• "Wo überschneiden oder widersprechen sich 'Principles' und 'Thinking, Fast and Slow' in Bezug auf kognitive Verzerrungen?"
• "Wie waren die individuellen Einstellungen zu Projekt X in allen Besprechungsprotokollen des letzten Monats?"

Claudes Rolle: Fragen zur Gedankenentwicklung benötigen Konversations-KI + vollständiges Material. Claude synthetisiert die mehrrundigen Antworten des Lehrers zu strukturierten Zusammenfassungen (Zeitstrahlen, Standpunktvergleiche, Folgelisten).

Gemeinsamkeit der drei Workflows: Wiederholte Abfragen, dokumentenübergreifend, private Grenzen. Wenn einer davon auf dich zutrifft, amortisiert sich der 15-Sekunden-Einrichtungsaufwand innerhalb einer Woche.

Abschließende Gedanken

Punkte, die zu beachten sind:

1. storage_state.json enthält deine aktive Google-Sitzung. Bewahre sie sicher auf.
2. notebooklm-client ist reverse-engineered. Google unterstützt es nicht offiziell; Backends könnten sich ändern.

Der Kern ist Arbeitsteilung:

• NotebookLM als Lehrer: Beantwortet Fachwissen mit Zitaten, keine Halluzinationen.
• Claude als Assistent: Orchestriert Tools, schreibt Code, organisiert Ergebnisse, fragt den Lehrer, wenn er nicht weiterkommt.
• Du als Projektleiter: Greifst nur an wichtigen Entscheidungspunkten ein.

Ich habe dies einen Monat lang verwendet, und die Ersparnisse reichen für mehrere schöne Abendessen. Noch wichtiger: Die Recherche Dutzender Papers bereitet mir keine Sorgen mehr um mein Limit – die Freiheit, "Token nicht zählen zu müssen", ist süchtig machender als die Ersparnisse selbst.

Wenn dir dieser Beitrag gefallen hat, folge mir @MinLiBuilds.

Abschließend empfehle ich den ersten Teil meiner Cache-Serie, der den Cache-Mechanismus einfach erklärt, um dir beim Sparen von Token zu helfen:

https://x.com/MinLiBuilds/status/2041178722230030384