Проблема: повторное открытие колеса
Разработчики ежедневно используют AI-кодинг-агентов в одних и тех же кодовых базах, но агенты часто начинают каждую сессию с нуля. Они заново обнаруживают известные факты, загружают неиспользуемые инструменты и повторяют неудачные подходы. Исследование Microsoft показало, что в репозиториях с историей из 5+ задач 30% вызовов инструментов дублируют действия из предыдущих сессий, а 16 из 23 загруженных описаний инструментов никогда не используются.
Решение: TokenEconomizer
TokenEconomizer — это open-source плагин, разработанный совместно Microsoft Research, UC Berkeley и Microsoft Security. Он работает как «черный ящик» поверх существующих агентов (включая Claude Code), не требуя изменения самой модели. Плагин анализирует логи завершенных сессий и применяет три механизма оптимизации:
- Micro-skills: создание однострочных заметок с повторяющимися паттернами работы в репозитории. Они добавляются в контекст только после подтверждения паттерна в нескольких сессиях.
- Tool pruning: удаление неиспользуемых инструментов из контекста агента, оставляя только критически важные (запуск команд, редактирование файлов).
- Failure-loop intervention: мониторинг зацикливания агента. Если агент застревает на одной ошибке, система предлагает альтернативный подход или уведомляет разработчика.
Результаты: экономия без потери качества
Оценка проводилась на 277 задачах из SWE-Bench (реальные баг-фиксы в Python-проектах) с использованием пяти комбинаций агентов и моделей. TokenEconomizer снизил средние затраты токенов на 18,4–30,9% во всех протестированных парах «репозиторий-агент». При этом успешность решения задач (Pass@1) не снизилась, а в четырех случаях даже выросла.
| Метрика | Значение / Эффект |
|---|---|
| Снижение стоимости токенов | 18,4% – 30,9% |
| Повторяющиеся вызовы инструментов (до оптимизации) | 30% от общего числа |
| Неиспользуемые описания инструментов | 16 из 23 загруженных |
| Влияние на успешность (Pass@1) | Стабильно или рост (в 4 из 5 случаев) |
| Экономия на Web-Bench (веб-разработка) | 16,0% – 21,2% |
| Экономия на Security Auditing | 6,4% – 19,6% |
Почему это важно
Ключевое преимущество TokenEconomizer — кумулятивный эффект. Экономия начинает проявляться уже к шестой задаче в репозитории. В отличие от методов, снижающих «усилия рассуждения» модели (что часто ведет к падению качества), TokenEconomizer оптимизирует только расход ресурсов, не влияя на интеллектуальные способности ИИ. Плагин работает локально, не требует собственных API-ключей и интегрируется в существующие рабочие процессы без модификации базовых моделей.
Источник: Microsoft Research ↗
