TokenEconomizer帮编程Agent节省18.4%至30.9% Token费
微软开源插件 TokenEconomizer 会从已完成的编程会话中提取仓库经验,用微型经验、工具裁剪和失败干预减少重复劳动。测试显示,它在六个仓库的 277 个修复任务中,将成本降低 18.4%—30.9%,且任务成功率整体保持稳定。

- 重复仓库发现、无用工具和失败循环是主要浪费来源
- 会话日志会被提炼为仓库知识、工具选择与失败干预
- 277个真实修复任务中平均成本降低18.4%—30.9%
- 每个仓库到第6个任务时累计成本低于默认方案
这是微软研究团队发布自家开源插件的官方研究博客,含实验设置、成本结果与开源定位;结论属于项目方自报,尚非独立第三方复测。
你再次打开熟悉的代码仓库,让 AI 编程 Agent 修一个 bug:它却重新摸索测试命令、载入一堆很少使用的工具,还沿着上次的失败路径继续试错,Token 账单随之增长。微软与 UC Berkeley 等团队开源的 TokenEconomizer 试图让 Agent 记住同一仓库里已经学过的经验;官方在 277 个真实修复任务中测得,平均成本降低 18.4%—30.9%,任务成功率则整体保持稳定。
Agent 每天把 Token 花在哪些重复上?
程序员每天回到同一个仓库,AI 编程 Agent(能读写代码、调用工具完成开发任务的模型代理)却常从零开始。微软研究团队在 SWE-Bench(用真实开源项目缺陷测试编程 Agent 的基准)上记录了 Claude Code 处理 60 个任务的工具调用与花费。
第一处浪费发生在仓库内部。同一仓库积累至少 5 个已完成任务后,30% 的工具调用重复了早期任务中的动作,例如再次摸索怎样运行测试。只有 7% 的调用与另一个仓库的历史动作相匹配,说明这些重复大多不是通用操作带来的,而是 Agent 没有记住眼前仓库已经学过的经验。
第二处浪费来自每轮都携带、却从不使用的工具说明。Claude Code 每轮收到 23 个工具描述(说明工具用途和调用方式的信息),其中 16 个从未被调用。开发者为一个仓库准备的工具越多,Agent 每次请求背负的说明就可能越重;未被调用的工具仍占用了上下文,让模型反复阅读用不上的选项。
第三处浪费藏在失败任务里。失败任务占全部任务的 17%,却贡献了 32% 的支出,比例接近任务占比的两倍。Agent 遇到同一个错误后反复换姿势尝试,消耗的 Token(模型处理文本时计量收费的基本单位)会不断累积;失败不只拖慢任务,还让账单更重。
一次旧会话,怎么帮下一次少走弯路?
TokenEconomizer 会读取已结束的会话日志,把多次尝试中确认的仓库经验带到后续任务。编程 Agent 不必每次都从零开始。
仓库经验由微型经验(一行笔记,保存仓库特有知识)承载。插件先从不同会话中寻找反复出现的模式,单次任务的偶然发现不算数。至少多个会话确认,笔记才写入后续会话的起始上下文。
写进去的也可能被拿掉。后续会话若出现与笔记相矛盾的证据,插件就撤销这条经验,让它退出起始上下文。
工具裁剪(按仓库历史删去不常用的工具)负责减少 Agent 每次都要接收、却可能不用的工具说明。插件依据当前仓库的历史记录移除不太可能使用的工具,运行命令和编辑文件这两类核心工具则保留。如果后续任务确实需要,被移除的工具仍可恢复。
Agent 反复撞上同一个错误怎么办?插件会启用失败循环干预(识别重复失败并提醒改换方法)。裁判模型先判断 Agent 是真的卡住,还是虽然连续失败却仍在推进。确认已经卡住,Agent 才会收到一条简短提示,建议换一种方法。

不换模型,能省下多少?
不换编程 Agent,也不降低模型的推理强度,TokenEconomizer 在 277 个真实修复任务中把平均成本压低了 18.4%—30.9%。省下的是测试中实际消耗的 Token 费用。
这组结果来自微软研究院发布的评估。测试使用 SWE-Bench(真实软件缺陷修复基准),覆盖 6 个代码仓库、277 个修复任务,并测试 5 种不同的编程 Agent 与模型组合。6 个仓库与 5 种组合交叉形成 30 个仓库组合,TokenEconomizer 在全部 30 个组合中都是节省最多的方案。
微软研究院同时说明,统计包含插件自身调用模型的成本。这组数字来自项目方评估,尚未见第三方复测。
| 方案 | 277 个真实修复任务中的表现 |
|---|---|
| TokenEconomizer | 30 个仓库组合全部节省最多,平均成本降低 18.4%—30.9% |
| 降低模型推理强度 | 可节省相当或更多费用,但任务表现明显下降 |
| 默认方案 | 不增加仓库经验学习,也不改变模型推理强度 |
降低推理强度确实能省钱,甚至省得更多,代价是任务表现明显下降;TokenEconomizer 的省钱不靠削弱模型,靠的是把同一仓库里已经验证过的经验用到后续任务上——前提是这些经验确实在后续任务里成立。
成本下降没有换来任务表现退步。5 种 Agent—模型组合中,有 4 种的 Pass@1(一次尝试即解决任务的比例)上升。“表现”按任务成功率衡量,不能直接等同于所有代码质量或长期维护效果。

省的钱,要到第几个任务才出现?
TokenEconomizer 不会从第一个任务就立刻省钱。它先支付学习成本,但到第 6 个任务时,全部测试仓库的累计成本都已低于默认方案。
每个仓库开始测试时,TokenEconomizer 都没有历史会话可供学习。第一项任务需要自行探索仓库、记录经验,并判断哪些信息值得留给后续任务复用。这个阶段可能比默认方案多花成本,因为插件正在建立仓库知识,记录还不足以支撑成本控制。
任务连续推进后,先前会话里确认过的仓库规律、工具使用情况和失败路径会用于下一次任务,单个早期任务的成本可能仍然偏高,同一仓库的任务累计起来,差异会随可用经验增加而改变。
到第 6 个任务时,全部测试仓库的累计成本都低于默认方案,学习投入已经被后续任务的节省覆盖。判断它是否值得接入,不能只看第一次任务,同一仓库连续使用后的累计账单更值得关注:第 6 个任务是本次测试中跨过默认成本的节点,但不代表每个仓库都会在更早时回本。
换个场景也能省,关键是历史会话能不能接上
两项测试都降了:连续网页开发降 16.0%—21.2%,安全审计降 6.4%—19.6%。差距指向同一个前提——任务能不能在同一个仓库里积累历史会话。
网页开发任务更接近日常使用。测试采用 Web-Bench(用于评测网页开发任务的基准),任务连续进行,成本降低 16.0%—21.2%。方法不依赖某一种代码仓库或某一种 Agent:只要后续会话仍在同一仓库,插件就能复用已经形成的仓库经验,少走重复的探索。
安全审计的降幅是 6.4%—19.6%。差别出在任务安排上——每个任务都换一个新仓库。没有同一仓库内积累的历史会话,TokenEconomizer 就没有可跨任务复用的对象,降幅自然低于连续网页开发。
回到开场那个画面:反复处理同一代码仓库、每次都像从零开始的编程 Agent。它省下的不是换一个更便宜或更弱的模型,而是同一仓库里已经付过成本的探索。对于不把 Agent 会话日志留在本地的团队,这种以历史换节省的方案,代码与日志的隐私边界该怎么划?
信源:Microsoft Research 博客《TokenEconomizer: Learning from Experience to Make AI Coding Agents More Efficient》;口径为项目方在 6 个仓库、277 个 SWE-Bench 修复任务及 5 种 Agent 与模型组合上的自报结果,已计入插件自身模型调用成本,尚非独立第三方复测。
术语小典 · 本篇出现的人话注解
深度、研究解读、工具教程的全文和全部播客,都在会员区。