TokenEconomizer 降低编程 Agent 开销
微软研究院与加州大学伯克利分校发布开源插件 TokenEconomizer，通过历史会话学习减少编程 Agent 的 Token 成本。据摘要，其在 SWE-Bench 上降低成本 18.4% 至 30.9%，无需修改 Agent 本身。
AI 深度解读
TokenEconomizer 想省的，是 AI 编程过程中反复摸索仓库、携带闲置工具、陷入失败循环的开销。Microsoft Research 与 UC Berkeley 的研究团队给出的方案，是在 Agent 外面加一个会积累仓库经验的控制器，不改模型权重，也不改 Agent 代码。
据原文报告，它在 277 个 SWE-Bench 任务、5 种 Agent 与模型组合中，把平均成本降低了 18.4% 至 30.9%。对经常在同一项目里使用 AI 编程的开发者，更有参考价值的是：哪些上下文值得保留，哪些调用可以提前省掉。
钱为什么花在了重复劳动上
作者先用 Claude Code 搭配 Opus 4.8，分析了 6 个仓库中的 60 个 SWE-Bench 任务，找到三类浪费。
第一类是重复探索。当前任务之前已经完成 5 个任务时，30% 的工具调用重复了先前的操作。测试命令、目录位置等信息，Agent 可能每次都重新寻找。
第二类是闲置工具。每轮加载的 23 个工具描述中，16 个从未被调用，实际 98% 的调用集中在 3 个工具上。工具描述也占上下文，即使没用，携带它仍有成本。
第三类是失败循环。10 次失败运行只占任务的 17%，却消耗了总支出的 32%。反复执行失败命令、围绕同一错误打转，会持续拉长历史。
原文把成本归因于每轮携带系统提示、工具描述和完整历史。不过，实际账单还取决于缓存及计费方式，不能把所有输入 token 都理解成按同一价格收费。
它怎样决定该记住什么、删掉什么
TokenEconomizer 把 Agent 当作黑盒，为每个仓库保存独立状态，从已完成的执行轨迹中学习，再通过提示词、工具设置和事件流调整后续任务。它有三种可切换机制。
微技能（micro-skills）负责积累短事实。LLM proposer 把轨迹摘要提炼成一行信息，例如可用的测试命令，并附带正则检测器，让后续验证不用再次调用模型。
一条事实需要在修改文件互不重叠的任务中获得 3 次确认，需求率还要保持在 0.4 及以上，才会进入提示词。反证的权重相当于 5 次确认，帮助错误事实尽快退出。原文没有展开需求率的计算方式，落地时还需要查看具体实现。
工具裁剪负责缩小工具目录。Shell、读取、写入、编辑工具始终保留；其他工具连续 3 个任务未使用，或者被 LLM judge 判定无关，就会被屏蔽。每隔 5 个任务恢复完整目录，重新审查。Django 配合 Claude Code 的实验中，第 2 个任务首次请求的 prompt tokens 从 43,351 降到了 16,295。
失败循环干预则先学习回合预算：成功运行长度的第 90 百分位数乘以 1.25。廉价规则发现重复失败或密集错误后，再交给 LLM judge 判断；置信度达到 0.7 才介入。卡住的 Agent 先获得 1 次方向纠正，再次陷入循环便停止。
这套机制的关键，是给经验设置验证和淘汰条件，也给删工具保留重新检查的机会。
省下的钱有没有换来更多失败
原文引用 arXiv 2610.22732 的 Table 1，每种设置运行 3 个随机种子，成本包含控制器自身的全部模型调用。
| Agent 与模型 | 平均成本变化 | Pass@1：默认→启用后 |
|---|---|---|
| Claude Code + Sonnet 5 | -23.6% | 74.7→76.0 |
| Claude Code + Opus 4.8 | -30.9% | 74.0→73.0 |
| Codex + GPT-5.6 Terra | -24.7% | 73.8→74.7 |
| Codex + GPT-5.6 Sol | -26.1% | 80.1→81.7 |
| Copilot CLI + Sonnet 5 | -18.4% | 75.0→77.6 |
Pass@1 可以理解为一次尝试解决任务的比例。5 组中有 4 组上升，但 Opus 4.8 下降了 1.0 个百分点。作为对照，降低推理强度虽然也省钱，却让 Pass@1 下降了 1.8 至 10.3 个百分点。
收益需要积累。多数仓库起初成本更高，到第 6 个任务时全部变得更便宜。在 Claude Code 上单独启用各机制，工具裁剪节省 13.2% 至 17.7%，微技能节省 11.8% 至 14.3%，循环保护节省 5.4% 至 7.1%。这些区间不能直接相加。
其他评测也有收益：Web-Bench 降低 16.0% 至 21.2%，CredData 降低 16.5% 至 19.6%；ReposVul 审计只有 6.4% 至 9.3%，作者解释为运行更短，可削减的空间更少。
我的判断
我更认可它按仓库调整策略的思路。测试入口和工具需求通常有项目差异，固定塞入一套上下文，未必适合所有仓库。
原文中的对照也支持这种谨慎：RTK 压缩 Shell 输出，Serena 提供符号级代码工具，Aider RepoMap 把排序后的仓库符号地图放进提示词。三者在前期分析中都降低了 Django 的成本，却提高了 SymPy 的成本。
主评测中，RTK 的平均成本变化为 -8.9% 至 +4.5%，RepoMap 为 -6.1% 至 +6.5%；在 30 个仓库与设置组合中，分别有 12 个和 15 个成本上升，TokenEconomizer 则全部下降。Serena 没有进入主评测，原文只说它在前期分析中提高了汇总成本，不能据此认定它普遍无效。
TokenEconomizer 与 RTK 组合，在 Claude Code + Opus 4.8 上达到 33.2% 的降本，也说明这些方法可以互补。
但「最多省 30.9%」仍是特定评测结果。一次性仓库任务、短任务，以及频繁变化的项目，未必能充分摊薄学习成本。原文也没有提供国内团队长期使用的对照数据，不能把这个数字当作预算承诺。
能拿来做什么
- 在反复维护的前端或 Node 仓库里，先统计重复查找测试命令、目录和配置的次数，再决定是否需要积累仓库经验，避免凭感觉堆提示词。
- 优先试工具裁剪和循环保护。两者默认开启；微技能默认关闭，因为 proposer 会增加模型调用，适合在任务量足够时另行比较收益。
- 试用需要 Python 3.10+，支持 Claude Code、Codex、GitHub Copilot CLI 和 Pi，无需 GPU，也不需要插件自己的 API key。Claude Code 的安装流程是克隆仓库、添加 marketplace，再执行
claude plugin install tokeneconomizer@tokeneconomizer；学习数据保存在~/.tokeneconomizer。 - 对照同类任务的总成本与成功率，并把学习初期的支出算进去。尤其关注提前停止是否误伤复杂任务，不能只比较 token 数量。