Die wahren Kosten entstehen, wenn derselbe Fehler zweimal passiert
TokenEconomizer senkt die Agentenkosten, indem es verbessert, wie Agenten arbeiten, und nicht, indem auf ein günstigeres Modell gewechselt oder die Prompts geändert werden. Es ist ein externer Black-Box-Controller, der die Interaktionen der Agenten beobachtet und Erkenntnisse lokal speichert. Dieser Ansatz vermeidet die üblichen Nachteile von Tools zur Token-Reduzierung, die häufig die Modellqualität beeinträchtigen oder ständiges Prompt Engineering erfordern.
Sie kennen das: Sie bitten Claude Claude Opus, etwas zu beheben, und es versucht einen Testbefehl. Fehler. Es sucht, verbraucht Tokens und findet schließlich eine Lösung. In einer späteren Sitzung macht es dann genau denselben Fehler, wiederholt die Suche und verbraucht erneut Tokens. TokenEconomizer verhindert dies, indem es aus früheren Sitzungen lernt.
Microsoft und die UC Berkeley haben TokenEconomizer an 277 SWE-bench-Aufgaben in sechs Repositories und fünf Kombinationen aus Agent und Modell getestet. Die berichteten Einsparungen lagen zwischen 18,4 % und 30,9 %, wobei sich der Aufgabenerfolg in vier von fünf Kombinationen verbesserte. Die eigenen Modellaufrufe des Plugins wurden in diesen Einsparungen berücksichtigt.
Zu den konkreten Kostensenkungen zählten:
- Claude Claude Opus: -30,9 %
- Codex + GPT-5: -24,7 % bis -26,1 %
- Claude Code + Sonnet: -23,6 %
- GitHub Copilot CLI + Sonnet: -18,4 %
Das zeigt, dass sich die Methode von TokenEconomizer, aus dem Verhalten der Agenten zu lernen, direkt auf die Effizienz auswirkt. Es geht nicht um ein günstigeres Modell, sondern um intelligentere Ausführung.
Drei unauffällige Wege, wie es Token-Verschwendung stoppt
TokenEconomizer optimiert Agenteninteraktionen unauffällig und stoppt Token-Verschwendung in drei zentralen Bereichen. Erstens fassen Micro-Skills wiederkehrende Repository-Fakten zusammen. Ein Agent tastet sich möglicherweise wiederholt zum richtigen Testbefehl oder zur richtigen Umgebungsvariable vor. Das Plugin beobachtet erfolgreiche Ausführungen, lernt diese Details – etwa npm test oder PORT=3000 – und fügt sie in künftige Sitzungen ein. Dadurch entfällt redundantes Ausprobieren, und der Token-Verbrauch durch Erkundung sinkt deutlich.
Zweitens minimiert Tool Pruning die Aufblähung des Kontexts. Agenten laden oft Dutzende Tool-Definitionen, die Tokens verbrauchen, selbst wenn nur wenige davon genutzt werden. TokenEconomizer erfasst die tatsächliche Tool-Nutzung pro Repository. Bleibt ein Tool über mehrere Sitzungen ungenutzt, kann das Plugin aufhören, dessen Definition zu laden, und so den System-Prompt erheblich verkürzen. Ungenutzte Tools können bei Bedarf wieder aktiviert werden.
Schließlich verhindert die Failure-Loop-Intervention, dass Agenten stecken bleiben. Ein Agent probiert eventuell Varianten eines fehlschlagenden Befehls aus und verbrennt dabei Tokens in einem sich wiederholenden Zyklus. TokenEconomizer erkennt solche nahezu identischen Wiederholungsversuche. Ein kleines, dediziertes Judge-Modell, das mit minimalem Overhead läuft, greift ein und fordert den Agenten auf, seinen Ansatz zu ändern, oder empfiehlt andernfalls einen Abbruch. Das verhindert ausufernden Token-Verbrauch in unproduktiven Schleifen, die laut Microsoft in den getesteten Fehlschlägen bis zu 32 % der gesamten Token-Ausgaben ausmachten.
Die 31-%-Schlagzeile hat einen Kaltstart
Die Schlagzeile von 31 % Kostensenkung durch Microsofts neues Plugin zur Reduzierung der KI-Coding-Kosten ist ein Benchmark, keine Garantie. Die Einsparungen hängen von Ihrem Agenten, Modell, Repository und der Aufgabe ab. Eine Testkonfiguration verzeichnete sogar einen leichten Rückgang der Aufgabenerfolgsrate, während sich die meisten verbesserten.
Erwarten Sie keine sofortigen Einsparungen. TokenEconomizer hat ein Kaltstart-Problem: Ein neues Repository liefert keinen nützlichen Verlauf. Frühe Durchläufe verbrauchen vermutlich wie gewohnt Tokens. Der eigentliche Nutzen entsteht bei wiederholter Arbeit in einem oder zwei zentralen Repositories, in denen das Plugin Micro-Skills lernen und anwenden kann.
Die Einrichtung erfordert Aufmerksamkeit. Das Video von Better Stack hebt eine wichtige Nuance hervor: Micro-Skills sind im öffentlichen Plugin standardmäßig deaktiviert. Sie müssen sie ausdrücklich per Konfiguration aktivieren. Prüfen Sie Ihren Status mit TokenEconomizer status, anstatt anzunehmen, dass jede Funktion aktiv ist.
Für einen tieferen Einblick in die Funktionsweise und den Quellcode sehen Sie sich das GitHub-Repository microsoft/TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents an. Die Stärke des Plugins liegt darin, aus wiederholten Sitzungen zu lernen und Folgendes zu erkennen:
- Funktionierende Testbefehle
- Erforderliche Umgebungsvariablen
- Dateispeicherorte
Dieser gelernte Kontext wird anschließend in künftige Agenten-Prompts eingefügt, sodass redundante Erkundung entfällt. Wenn Sie ständig zwischen unzusammenhängenden Projekten wechseln, spart TokenEconomizer nicht viel. Für fokussierte, iterative Entwicklung ist es jedoch ein Game Changer.
Gefällt Ihnen der Artikel? Erhalten Sie jeden Morgen einen wie diesen per E-Mail.
eine E-Mail pro Tag · Abmeldung mit zwei Klicks · kein Tracking durch Dritte
Führen Sie einen einwöchigen Test durch, bevor Sie den Einsparungen vertrauen
Installieren Sie das Plugin TokenEconomizer aus Microsofts GitHub-Repository in Ihrem am häufigsten genutzten Projekt. Folgen Sie der Einrichtung und achten Sie auf den Befehl status sowie die Informationen zu tool prune. Aktivieren Sie Micro-Skills, falls sie standardmäßig deaktiviert sind.
Vergleichen Sie eine Woche lang ähnliche Aufgaben mit und ohne das Plugin. Erfassen Sie Kosten, Aufgabenabschluss und Qualität. Beurteilen Sie es nicht allein anhand der ersten Sitzung; das Plugin lernt mit der Zeit. Verwenden Sie TokenEconomizer status und tool prune refresh catalog, um den Fortschritt zu überwachen.
Rechnen Sie damit, dass Erkenntnisse pro Agent gespeichert werden. Die Erfahrung von Claude Code lässt sich beispielsweise nicht auf Codex übertragen. Die eigenen Modellaufrufe des Plugins sind in den berichteten Einsparungen berücksichtigt, der Mehraufwand ist also einberechnet.
Behalten Sie das Plugin nur, wenn es die Kosten nachweislich senkt, ohne die Ergebnisse zu beeinträchtigen. Wenn Ihr Agent Tokens durch wiederholte Fehler oder ungenutzte Tools verbrennt, könnte TokenEconomizer Ihre Rechnung senken. Falls nicht, deinstallieren Sie es. Sie wissen es innerhalb einer Woche.
Häufig gestellte Fragen
Was ist TokenEconomizer?
TokenEconomizer ist ein Open-Source-Plugin, das aus Sitzungen von Coding-Agenten lernt, um verschwendeten Token-Verbrauch bei repository-spezifischen Aufgaben zu reduzieren.
Wie stark kann TokenEconomizer die Coding-Kosten senken?
In berichteten Tests mit 277 SWE-bench-Aufgaben senkte es die durchschnittlichen Kosten je nach Agent und Modell um etwa 18,4 % bis 30,9 %.
Welche Coding-Agenten unterstützt TokenEconomizer?
Es unterstützt unter anderem Claude Code, OpenAI Codex und GitHub Copilot CLI sowie weitere Coding-Agent-Setups.
Spart TokenEconomizer sofort Geld?
Nicht unbedingt. Es startet mit wenig Projektwissen, daher sind Einsparungen eher nach wiederholten Sitzungen im selben Repository zu erwarten.
Werden die gelernten Daten von TokenEconomizer lokal gespeichert?
Laut Projekt werden Repository-Erkenntnisse und Tracking-Status lokal gespeichert und nicht an einen externen Dritten gesendet.