تیمی از Microsoft Research و دانشگاه برکلی افزونه‌ای متن‌باز به نام TokenEconomizer منتشر کرده‌اند که هزینه اجرای ایجنت‌های کدنویسی را تا ۳۰.۹٪ کاهش می‌دهد. این ابزار با Claude Code، Codex، GitHub Copilot CLI و Pi کار می‌کند و نه وزن مدل را تغییر می‌دهد و نه کد ایجنت را.

نتایج روی ۲۷۷ تسک SWE-Bench در ۵ ترکیب ایجنت-مدل نشان می‌دهد که هزینه میانگین بین ۱۸.۴٪ تا ۳۰.۹٪ پایین‌تر آمده است. بهترین نتیجه ۳۰.۹٪ کاهش هزینه روی Claude Code با Opus 4.8 بود. در بدترین حالت — ممیزی‌های ReposVul — صرفه‌جویی فقط ۶.۴٪ تا ۹.۳٪ بود، چون جلسات کوتاه‌تر فرصت کمتری برای حذف دوباره‌کاری دارند. در ۴ ترکیب از ۵ ترکیب، معیار Pass@1 هم بهبود یافت و فقط در Opus 4.8 یک واحد افت کرد.

سه مکانیزم اصلی#

TokenEconomizer ایجنت را به‌عنوان جعبه‌سیاه در نظر می‌گیرد و از ترس‌های تکمیل‌شده‌ی قبلی، سیاست‌هایی برای هر مخزن می‌سازد. سه سازوکار قابل‌فعال‌سازی دارد:

  • Micro-skills: یک LLM از خلاصه‌ی ترس‌ها حقایق تک‌خطی استخراج می‌کند (مثلاً دستور تست صحیح). هر حقیقت با regex در ترس‌های بعدی بررسی می‌شود. حقیقت پس از ۳ تأیید روی تسک‌های بدون همپوشانی فایل وارد پرامپت می‌شود.
  • Tool pruning: ابزارهای غیرفعال پس از ۳ تسک بی‌استفاده حذف می‌شوند. روی Django با Claude Code، توکن‌های پرامپت تسک دوم از ۴۳,۳۵۱ به ۱۶,۲۹۵ رسید. این مؤثرترین تک‌عامل صرفه‌جویی است: ۱۳.۲٪ تا ۱۷.۷٪.
  • Failure-loop intervention: بودجه‌ی دور بر اساس صدک نودم طول اجراهای موفق تعیین می‌شود. اگر ایجنت گیر کند، یک ارجاع دریافت می‌کند و در تکرار حلقه متوقف می‌شود.

مقایسه با ابزارهای دیگر#

در ۳۰ خانه‌ی مخزن-تنظیم، TokenEconomizer در همه هزینه را کاهش داد. RTK در ۱۲ خانه هزینه را بالا برد و Aider RepoMap در ۱۵ خانه. تفاوت اصلی این است که TokenEconomizer از تسک‌های قبلی یاد می‌گیرد؛ RTK و RepoMap ثابت‌اند.

نصب و دسترسی#

به Python 3.10 یا بالاتر نیاز دارد، بدون GPU و بدون API key جداگانه. لایسنس Apache 2.0 است. Tool pruning و loop guard به‌صورت پیش‌فرض فعال‌اند، اما Micro-skills به‌خاطر افزودن فراخوانی مدل خاموش است.

این خبر برای سازندگان ایجنت یعنی چه#

اگر الان روی یک مخزن مشخص با Claude Code یا Codex کار می‌کنید و هزینه‌ی API شما از چند صد دلار در ماه گذشته، این ابزار عملاً بی‌ریسک است: مدل را دست نمی‌زند، فقط پرامپت و تنظیمات ابزار را از روی داده‌های قبلی بهینه می‌کند. اما صرفه‌جویی ۳۰.۹٪ مربوط به بهترین ترکیب است و در مخازن کوچک یا جلسات کوتاه، عدد به زیر ۱۰٪ می‌رسد. اگر ایجنت شما روی یک مخزن تک‌تسک اجرا می‌شود، TokenEconomizer تقریباً چیزی برای یادگیری ندارد.

منبع: MarkTechPost