Microsoft Research представила TokenEconomizer для сокращения расходов AI-кодинговых агентов

Microsoft Research описала TokenEconomizer, который использует историю репозитория для сокращения повторной работы AI-кодинговых агентов. В оценке на 277 задачах авторы сообщили об экономии 18,4–30,9% и снижении успешности на 1,3–2,5 процентного пункта.

Microsoft Research представила TokenEconomizer для сокращения расходов AI-кодинговых агентов. Тематическая карточка Comrad404.

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

Схема: После сессии TokenEconomizer читает её журнал и обновляет сведения о репозитории; а затем использует их в следующих задачах.
Основные элементы, разобранные в статье.

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.