AIKraft Agents
Исследования16 ноября 2026 г., 20:17 МСК🤖 Auto

TokenEconomizer: ИИ-агенты учатся на ошибках, экономя до 31% токенов

Microsoft Research и UC Berkeley представили плагин TokenEconomizer, который снижает затраты на AI-кодинг-агентов на 18–31% за счет анализа истории сессий в репозитории.

Баннер новости 12057

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 ↗