Настоящая цена — повторять одну и ту же ошибку дважды
TokenEconomizer снижает затраты на агентов, улучшая то, как они работают, а не за счёт перехода на более дешёвую модель или изменения промптов. Это внешний контроллер типа «чёрный ящик»: он наблюдает за взаимодействиями агента и сохраняет накопленные сведения локально. Такой подход позволяет избежать типичных проблем инструментов для сокращения расхода токенов, которые зачастую ухудшают качество модели или требуют постоянной доработки промптов.
Знакомая ситуация: вы просите Claude Claude Opus что-то исправить, и он пробует тестовую команду. Ошибка. Он ищет, расходует токены и в конце концов находит решение. Затем в следующем сеансе он делает точно такую же ошибку, повторяет поиск и снова расходует токены. TokenEconomizer предотвращает это, обучаясь на прошлых сеансах.
Microsoft и UC Berkeley протестировали TokenEconomizer на 277 задачах SWE-bench в шести репозиториях и пяти сочетаниях агента и модели. Заявленная экономия составила от 18,4% до 30,9%, а успешность выполнения задач повысилась в четырёх из пяти сочетаний. Собственные обращения плагина к моделям были учтены в этой экономии.
Конкретное снижение затрат:
- Claude Claude Opus: -30,9%
- Codex + GPT-5: -24,7% до -26,1%
- Claude Code + Sonnet: -23,6%
- GitHub Copilot CLI + Sonnet: -18,4%
Это показывает, что метод TokenEconomizer, основанный на обучении на поведении агента, напрямую влияет на эффективность. Дело не в более дешёвой модели, а в более продуманном выполнении задач.
Три незаметных способа остановить напрасный расход токенов
TokenEconomizer незаметно оптимизирует взаимодействие с агентом, прекращая напрасный расход токенов в трёх ключевых областях. Во-первых, micro-skills выделяют повторяющиеся сведения о репозитории. Агент может раз за разом искать нужную тестовую команду или переменную окружения. Плагин наблюдает за успешными запусками, запоминает такие детали — например, npm test или PORT=3000 — и добавляет их в будущие сеансы. Это устраняет лишний перебор вариантов и сокращает расход токенов на исследование.
Во-вторых, tool pruning уменьшает раздувание контекста. Агенты часто загружают десятки описаний инструментов, которые расходуют токены, даже если используется лишь несколько из них. TokenEconomizer отслеживает фактическое использование инструментов по каждому репозиторию. Если инструмент остаётся неиспользованным в течение нескольких сеансов, плагин может прекратить загружать его описание, значительно сократив системный промпт. При необходимости неиспользуемые инструменты можно включить снова.
Наконец, failure-loop intervention не даёт агентам застревать. Агент может пробовать варианты неудачной команды, расходуя токены в повторяющемся цикле. TokenEconomizer обнаруживает такие почти одинаковые попытки. Небольшая специализированная модель-судья, работающая с минимальными накладными расходами, вмешивается и предлагает агенту изменить подход, а если это не помогает — остановиться. Это предотвращает неконтролируемый расход токенов на непродуктивные циклы, на которые, по данным Microsoft, приходилось до 32% всех затрат токенов в протестированных неудачных случаях.
Заявленные 31% сопровождаются «холодным стартом»
Заявленное снижение затрат на 31% от нового плагина Microsoft для сокращения расходов на ИИ-программирование — это результат бенчмарка, а не гарантия. Экономия зависит от агента, модели, репозитория и задачи. В одной тестовой конфигурации даже было небольшое снижение доли успешно выполненных задач, хотя в большинстве случаев она выросла.
Не ожидайте мгновенной экономии. У TokenEconomizer есть проблема холодного старта: новый репозиторий не даёт полезной истории. Первые запуски, вероятно, будут расходовать токены как обычно. Реальная ценность появляется при повторной работе в одном-двух основных репозиториях, где плагин может обучаться и применять micro-skills.
Настройка требует внимания. В видео Better Stack отмечен важный нюанс: micro-skills в публичном плагине по умолчанию отключены. Их необходимо явно включить через конфигурацию. Проверяйте состояние с помощью TokenEconomizer status, а не исходите из того, что все функции активны.
Подробнее о механике и исходном коде см. в репозитории GitHub microsoft/TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents. Сильная сторона плагина — способность обучаться на повторяющихся сеансах и выявлять:
- рабочие тестовые команды
- необходимые переменные окружения
- расположение файлов
Затем этот накопленный контекст добавляется в будущие промпты агента, что исключает повторное исследование. Если вы постоянно переключаетесь между несвязанными проектами, TokenEconomizer почти не сэкономит ваши средства. Но для целенаправленной итеративной разработки это может стать переломным инструментом.
Нравится статья? Получайте такие каждое утро на почту.
одно письмо в день · отписка в два клика · без сторонних трекеров
Проведите недельный тест, прежде чем доверять заявленной экономии
Установите плагин TokenEconomizer из репозитория Microsoft на GitHub в вашем наиболее часто используемом проекте. Следуйте инструкции по настройке, обращая внимание на команду status и информацию о tool prune. Включите micro-skills, если они отключены по умолчанию.
В течение недели сравнивайте схожие задачи с плагином и без него. Отслеживайте стоимость, выполнение задач и качество. Не оценивайте плагин только по первому сеансу: он обучается со временем. Используйте TokenEconomizer status и tool prune refresh catalog, чтобы следить за его прогрессом.
Учтите, что накопленные сведения хранятся отдельно для каждого агента. Например, опыт Claude Code не передаётся в Codex. Собственные обращения плагина к моделям учтены в заявленной экономии, поэтому накладные расходы приняты во внимание.
Оставляйте плагин, только если он заметно снижает затраты без ухудшения результатов. Если ваш агент тратит токены на повторяющиеся ошибки или неиспользуемые инструменты, TokenEconomizer может сократить ваши расходы. Если нет — удалите его. Вы узнаете это в течение недели.
Часто задаваемые вопросы
Что такое TokenEconomizer?
TokenEconomizer — это плагин с открытым исходным кодом, который обучается на сеансах агентов для программирования, чтобы сократить напрасный расход токенов при работе с конкретными репозиториями.
Насколько TokenEconomizer может сократить затраты на программирование?
По опубликованным результатам тестов на 277 задачах SWE-bench плагин снизил средние затраты примерно на 18,4%–30,9% в зависимости от агента и модели.
Какие агенты для программирования поддерживает TokenEconomizer?
Плагин поддерживает Claude Code, OpenAI Codex и GitHub Copilot CLI, а также другие конфигурации агентов для программирования.
Экономит ли TokenEconomizer деньги сразу?
Не обязательно. Вначале у плагина мало знаний о проекте, поэтому экономия более вероятна после повторных сеансов в одном и том же репозитории.
Хранятся ли накопленные данные TokenEconomizer локально?
По заявлению авторов проекта, накопленные сведения о репозитории и состояние отслеживания хранятся локально и не отправляются удалённой третьей стороне.