TokenEconomizer экономит до 30% токенов кодинг-агентов без смены модели
🛠 TokenEconomizer экономит до 30% токенов кодинг-агентов без смены модели
На 277 реальных баг-фиксах из SWE-Bench плагин снизил затраты на 18,4–30,9% у пяти разных связок агент-модель, и это без потери доли успешных решений. По данным Microsoft Research, профилирование Claude Code на 60 задачах показало, куда утекают токены: после пяти завершённых задач в репозитории 30% вызовов инструментов повторяли действия из прошлых сессий, а из 23 описаний инструментов 16 не вызывались ни разу. Повторные открытия и мёртвые описания — главный резерв экономии.
Механика у плагина трёхсоставная: микронавыки собирают специфичные для репозитория знания в однострочные заметки и добавляют их в стартовый контекст только после подтверждения в нескольких сессиях; отсечение инструментов убирает инструменты, которые история не использует, оставляя ядро для команд и редактирования; вмешательство при циклических сбоях через модель-судью определяет, застрял ли агент на одной ошибке, и даёт короткую подсказку или предупреждает разработчика. Контроллер пересматривает решения по мере новых данных, а расходы на собственные вызовы модели включены в итоговую экономию.
Окупается это не сразу: первые задачи могут стоить дороже, пока плагин копит опыт, но к шестому заданию кумулятивные затраты в каждом из шести репозиториев ушли ниже исходного уровня. На последовательных задачах веб-разработки экономия составила 16,0–21,2%, на аудите безопасности, где каждая задача в новом репозитории, — 6,4–19,6%. Простое снижение уровня рассуждений у модели давало сопоставимую или большую экономию, но заметно роняло качество — TokenEconomizer, напротив, держит долю успешных решений стабильной.
Плагин чёрный ящик: работает поверх существующих агентов, не трогает модель, не требует своего API-ключа и хранит выученное на машине разработчика. Для команд, которые уже гоняют агентов в CI, это снижение счёта за API без смены модели и рефакторинга промптов.
Пока агентные бенчмарки гоняются за качеством, в проде стоимость решают повторные открытия и мёртвые описания инструментов. TokenEconomizer экономит не токены как таковые, а незнание репозитория — и если история сессий станет активом, вопрос «что файнтюнить» сменится на «что кэшировать из прошлого».
#TokenEconomizer #CodingAgents #SWEbench #costoptimization #MicrosoftResearch
Такие разборы выходят в канале каждый день — коротко и со ссылкой на первоисточник.