16 ноября 2026 года Microsoft Research описала TokenEconomizer — open-source-плагин, который использует сведения из прошлых сессий в репозитории, чтобы сокращать избыточную работу кодингового агента. В оценке авторов на 277 задачах SWE-Bench средняя стоимость снизилась на 18,4–30,9%; при этом успешность решения была ниже на 1,3–2,5 процентного пункта. Microsoft Research приводит описание системы и результаты оценки.
Как плагин использует опыт репозитория

После сессии TokenEconomizer читает её журнал и обновляет сведения о репозитории, а затем использует их в следующих задачах. В оценке на SWE-Bench система начинала без истории для каждого репозитория, поэтому опыт накапливался по мере последовательного выполнения задач.
Три способа сокращать повторную работу
В описании Microsoft Research названы три механизма. Первый — micro-skills: короткие заметки о повторяющихся особенностях репозитория. Второй — сокращение набора описаний инструментов, которые с учётом истории проекта маловероятно понадобятся. Третий — реакция на повторяющийся сбой: система может предложить краткую подсказку о другом подходе. По словам авторов, плагин использует интерфейсы, уже предоставляемые агентом, и не меняет сам агент или его базовую модель.
Результаты на 277 задачах SWE-Bench
Авторы оценили TokenEconomizer на 277 задачах из шести репозиториев, используя пять сочетаний кодингового агента и модели. Они сообщают о снижении средней стоимости на 18,4–30,9% и экономии во всех 30 сочетаниях репозитория и агента с моделью. Одновременно успешность решения задач снизилась на 1,3–2,5 процентного пункта. Проценты экономии — диапазон результатов этих сочетаний, а не обещание такой же выгоды для любого проекта.
Какие повторяющиеся расходы обнаружили авторы
В приведённом Microsoft Research анализе после того, как в репозитории накопилось не менее пяти завершённых задач, 30% вызовов инструментов повторяли действие из более ранней задачи этого же репозитория. Агент получал 23 описания инструментов на каждом шаге, но 16 из них не вызывались. Авторы также сообщают, что 17% нерешённых задач приходились на 32% расходов в анализируемой серии.
Что можно заключить из оценки
Результаты относятся к эксперименту авторов на задачах SWE-Bench и не устанавливают, какой эффект получится в другом репозитории или с неиспытанным агентом. Доступная публикация называет TokenEconomizer open-source-плагином, но не приводит цену, полный перечень совместимых агентов или готовую процедуру установки; независимых тестов в доступных материалах нет.








