2026年11月17日,加州大学伯克利分校、微软研究院与微软安全团队联合发布开源插件 TokenEconomizer:它从 AI 编程 Agent 在同一仓库里的历史会话中学习经验,让后续任务少花 token,Agent 本身和底层模型都不用改。
钱花在哪:重复发现、闲置工具、失败打转
团队先用 Claude Code 在 60 个 SWE-Bench 任务上做了成本剖析,浪费集中在三处:同一仓库积累 5 个已完成任务后,30% 的工具调用在重复此前的操作;每轮收到的 23 个工具描述里,有 16 个从未被调用;17% 的失败任务花掉了 32% 的开支。插件对应三招:微技能,把反复出现的仓库知识浓缩成一行提示,只在多轮会话确认后才加入;工具剪枝,按历史记录去掉大概率不用的工具,但保留运行命令和改文件等核心工具;失败循环干预,判断 Agent 是否真的卡住,卡住就提示换个思路,仍卡住则提醒开发者。
实测:277 个任务,成本降 18.4%–30.9%
评测覆盖 277 个 SWE-Bench 真实修 bug 任务、6 个仓库、5 种 Agent 与模型组合:平均成本下降 18.4%–30.9%,30 组组合全部省钱,任务成功率基本不变;从第 6 个任务起,累计成本就低于默认做法。换到网页开发任务,成本降 16.0%–21.2%;安全审计这种每任务换新仓库的场景,降幅收窄到 6.4%–19.6%。
对天天在同一仓库用 Agent 的团队,省的是重复探索的钱;但学习需要积累,前几个任务可能反而更贵,一次性任务和新仓库收益有限。插件不需要自己的 API key,学到的经验留在开发者本地机器上。Claude Code 团队公开验证方法:九成代码由 AI 写,靠什么不出错讲的是另一面:代码谁写、怎么验,这里讲的是怎么写得更便宜。