TokenEconomizer:让 AI 编程智能体从历史会话中省下 18.4–30.9% 成本
2026.11.17 · 收录日 2026.11.17 · 产品 · 开源项目 · 官方发布
微软等开源插件,不改模型,靠历史会话经验降低编程智能体开销
微软研究院联合 UC Berkeley 和 Microsoft Security 推出开源插件 TokenEconomizer,它从智能体在同一代码库的历史会话中学习,在不修改智能体和底层模型的前提下减少浪费。在 277 个真实修 bug 任务上,它把多个 AI 编程智能体的成本降低 18.4–30.9%,各仓库成本均下降,任务成功率总体稳定。
- TokenEconomizer 是开源插件,把已完成会话转化为后续会话的指导,不改动智能体或底层模型。
- 在 277 个 SWE-Bench 任务、六仓库、五种智能体与模型组合上,平均成本降低 18.4–30.9%。
- 剖析 Claude Code 在 60 个 SWE-Bench 任务发现三类浪费:重复发现事实、加载未用工具、卡在失败循环。
- 机制有三:微技能记录仓库知识、工具剪枝、失败循环干预,且会随新证据修正决策。
- 成本统计已计入 TokenEconomizer 自身模型调用的开销。
为什么值得看
看 AI 编程智能体如何在不改模型的前提下系统性省钱
适合谁关注
AI 编程工具开发者、智能体研究者与成本敏感团队
