El coste real está en cometer el mismo error dos veces
TokenEconomizer reduce los costes de los agentes mejorando cómo trabajan, no cambiando a un modelo más barato ni modificando los prompts. Es un controlador externo de tipo caja negra que observa las interacciones del agente y almacena los aprendizajes localmente. Este enfoque evita los inconvenientes habituales de las herramientas de reducción de tokens, que a menudo comprometen la calidad del modelo o requieren una ingeniería de prompts constante.
Ya conoce la rutina: le pide a Claude Claude Opus que corrija algo y este prueba un comando de prueba. Error. Busca, consume tokens y finalmente encuentra una solución. Después, en una sesión posterior, comete exactamente el mismo error, repite la búsqueda y vuelve a consumir tokens. TokenEconomizer lo evita aprendiendo de las sesiones anteriores.
Microsoft y UC Berkeley probaron TokenEconomizer en 277 tareas de SWE-bench de seis repositorios y cinco combinaciones de agente y modelo. Los ahorros reportados oscilaron entre 18,4% y 30,9%, y el éxito de las tareas mejoró en cuatro de las cinco combinaciones. Las llamadas a modelos del propio plugin se incluyeron en estos ahorros.
Las reducciones de costes concretas incluyeron:
- Claude Claude Opus: -30,9%
- Codex + GPT-5: -24,7% a -26,1%
- Claude Code + Sonnet: -23,6%
- GitHub Copilot CLI + Sonnet: -18,4%
Esto demuestra que el método de TokenEconomizer de aprender del comportamiento del agente influye directamente en la eficiencia. No se trata de un modelo más barato, sino de una ejecución más inteligente.
Tres formas discretas de evitar el desperdicio de tokens
TokenEconomizer optimiza discretamente las interacciones del agente y evita el desperdicio de tokens en tres áreas clave. En primer lugar, las micro-skills destilan datos recurrentes del repositorio. Un agente puede buscar una y otra vez a tientas el comando de prueba o la variable de entorno correctos. El plugin observa las ejecuciones exitosas, aprende estos detalles (como npm test o PORT=3000) y los inyecta en sesiones futuras. Así se anticipa al ensayo y error redundante y reduce el consumo de tokens en exploración.
En segundo lugar, la poda de herramientas minimiza el exceso de contexto. Los agentes suelen cargar decenas de definiciones de herramientas, que consumen tokens aunque solo se usen unas pocas. TokenEconomizer registra el uso real de herramientas por repositorio. Si una herramienta permanece sin usar a lo largo de varias sesiones, el plugin puede dejar de cargar su definición, acortando drásticamente el prompt del sistema. Las herramientas sin usar pueden reactivarse si es necesario.
Por último, la intervención en bucles de fallos evita que los agentes se atasquen. Un agente puede probar variaciones de un comando que falla, consumiendo tokens en un ciclo repetitivo. TokenEconomizer detecta estos intentos casi repetidos. Un pequeño modelo juez dedicado, que funciona con una sobrecarga mínima, interviene e indica al agente que cambie de enfoque o, si no lo hace, le sugiere detenerse. Esto evita un gasto descontrolado de tokens en bucles improductivos, que según Microsoft representaban hasta un 32% del gasto total de tokens en los fallos probados.
La cifra del 31% viene con un arranque en frío
Esa reducción de costes del 31% que destaca el nuevo plugin de Microsoft para recortar los costes de programación con IA es un resultado de referencia, no una garantía. El ahorro depende de su agente, modelo, repositorio y tarea. Una de las configuraciones de prueba incluso registró un pequeño descenso en la tasa de éxito de las tareas, aunque la mayoría mejoró.
No espere ahorros instantáneos. TokenEconomizer tiene un problema de arranque en frío: un repositorio nuevo no aporta historial útil. Es probable que las primeras ejecuciones consuman tokens como de costumbre. El valor real se desbloquea con trabajo repetido en uno o dos repositorios principales, donde el plugin puede aprender y aplicar micro-skills.
La configuración exige atención. El vídeo de Better Stack destaca un matiz clave: las micro-skills están desactivadas por defecto en el plugin público. Debe activarlas explícitamente mediante la configuración. Compruebe su estado con TokenEconomizer status en lugar de suponer que todas las funciones están activas.
Para profundizar en el funcionamiento y el código fuente, consulte el repositorio de GitHub microsoft/TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents. La fortaleza del plugin reside en su capacidad de aprender de sesiones repetidas e identificar:
- Comandos de prueba que funcionan
- Variables de entorno necesarias
- Ubicaciones de archivos
Este contexto aprendido se inyecta después en los prompts futuros del agente, evitando exploraciones redundantes. Si salta constantemente entre proyectos sin relación, TokenEconomizer no le ahorrará mucho. Pero para un desarrollo iterativo y centrado, supone un gran cambio.
¿Te está gustando? Recibe uno así en tu bandeja cada mañana.
un correo al día · date de baja en dos clics · sin rastreadores de terceros
Haga una prueba de una semana antes de confiar en los ahorros
Instale el plugin TokenEconomizer desde el repositorio de GitHub de Microsoft en el proyecto que más utilice. Siga la configuración, prestando atención al comando status y a la información de tool prune. Active las micro-skills si están desactivadas por defecto.
Compare tareas similares con y sin el plugin durante una semana. Registre el coste, la finalización de tareas y la calidad. No lo juzgue únicamente por la primera sesión; el plugin aprende con el tiempo. Utilice TokenEconomizer status y tool prune refresh catalog para supervisar su progreso.
Tenga en cuenta que los aprendizajes se mantienen por agente. La experiencia de Claude Code no se transferirá a Codex, por ejemplo. Las llamadas a modelos del propio plugin se incluyen en los ahorros reportados, por lo que la sobrecarga está contabilizada.
Conserve el plugin solo si reduce los costes de forma demostrable sin perjudicar los resultados. Si su agente consume tokens en errores repetitivos o herramientas sin usar, TokenEconomizer podría reducir su factura. Si no, desinstálelo. Lo sabrá en una semana.
Preguntas frecuentes
¿Qué es TokenEconomizer?
TokenEconomizer es un plugin de código abierto que aprende de las sesiones de los agentes de programación para reducir el gasto innecesario de tokens en el trabajo específico de cada repositorio.
¿Cuánto puede reducir TokenEconomizer los costes de programación?
En pruebas reportadas con 277 tareas de SWE-bench, redujo los costes medios entre aproximadamente un 18,4% y un 30,9%, según el agente y el modelo.
¿Qué agentes de programación admite TokenEconomizer?
Es compatible con Claude Code, OpenAI Codex y GitHub Copilot CLI, entre otras configuraciones de agentes de programación.
¿Ahorra dinero TokenEconomizer de inmediato?
No necesariamente. Parte de un conocimiento mínimo del proyecto, por lo que es más probable que haya ahorros tras varias sesiones repetidas en el mismo repositorio.
¿Los datos aprendidos por TokenEconomizer se almacenan localmente?
El proyecto indica que los aprendizajes del repositorio y el estado de seguimiento se almacenan localmente, en lugar de enviarse a un tercero remoto.