Token Economizer
微软推出的上下文优化工具,通过分析仓库与历史会话自动识别并移除从未使用的工具定义,降低编码代理的固定 Token 开销。
时间轴 (近 90 天)
Token Economizer 学到的仓库信息全部保存在本地文件夹内,不上传云端,项目本身开源。
失败循环干预通过一个独立的“裁判模型”判断代理是否陷入重复循环,裁判模型只做提示、不强行终止任务。
Token Economizer 的收益高度依赖同一仓库上的重复会话,使用越久、学习越多,节省越多;频繁切换不相关项目时效果会明显打折。
每个代理独立学习,Claude Code 上学到的内容不会自动迁移到 Codex。
微技能与工具剪枝的收益并非线性,首轮会话节省接近于零甚至轻微为负,通常需要数轮乃至十余轮同类任务后才稳定显现。
微软开源了一款名为 Token Economizer 的免费插件,用于降低 AI 编程代理的 token 成本。
在微软与 UC Berkeley 的联合测试中,Token Economizer 将 AI 编程代理的平均成本降低了 18.4% 到约 31%。
该测试覆盖了 6 个仓库、1777 个 SWE-bench 任务、5 种代理与模型组合,单轮成本约 200 美元。
在 5 种代理与模型组合中,启用 Token Economizer 后 4 种任务成功率不降反升,1 种小幅下滑。
在全部 30 个“仓库 × 代理模型”组合中,启用插件后都比不启用更便宜。
还有 8 条时间轴事件
全部知识事实 (18)
Token Economizer 学到的仓库信息全部保存在本地文件夹内,不上传云端,项目本身开源。
50%待验证微技能功能默认关闭,需要手动开启。
50%待验证失败循环干预通过一个独立的“裁判模型”判断代理是否陷入重复循环,裁判模型只做提示、不强行终止任务。
50%待验证Token Economizer 的收益高度依赖同一仓库上的重复会话,使用越久、学习越多,节省越多;频繁切换不相关项目时效果会明显打折。
50%待验证每个代理独立学习,Claude Code 上学到的内容不会自动迁移到 Codex。
50%待验证微技能与工具剪枝的收益并非线性,首轮会话节省接近于零甚至轻微为负,通常需要数轮乃至十余轮同类任务后才稳定显现。
50%待验证在微软与 UC Berkeley 的联合测试中,Token Economizer 将 AI 编程代理的平均成本降低了 18.4% 到约 31%。
50%待验证该测试覆盖了 6 个仓库、1777 个 SWE-bench 任务、5 种代理与模型组合,单轮成本约 200 美元。
50%待验证在 5 种代理与模型组合中,启用 Token Economizer 后 4 种任务成功率不降反升,1 种小幅下滑。
50%待验证在全部 30 个“仓库 × 代理模型”组合中,启用插件后都比不启用更便宜。
50%待验证Token Economizer 的节省数据是净收益,已扣除插件自身运行所需的额外模型调用开销。
50%待验证Token Economizer 直接作用于 Claude Code、Codex 等主流 AI 编程代理工具,不更换代理或使用更便宜的模型。
50%待验证Token Economizer 包含三个核心机制:微技能(micro skills)、工具剪枝(tool pruning)和失败循环干预。
50%待验证Token Economizer 在微软自己的测试中给出了 18% 到 31% 的成本下降。
50%待验证RTK 管输入端的噪音,Caveman 管输出端的冗余,Token Economizer 管上下文里的历史包袱,三者互不替代,叠加使用才覆盖完整的浪费链条。
50%待验证Token Economizer 是微软开发的工具,它会学习用户的仓库和过往会话,识别出哪些工具定义几乎从不被调用,并将它们从上下文里剪掉。
50%待验证微软开源了一款名为 Token Economizer 的免费插件,用于降低 AI 编程代理的 token 成本。
50%待验证微软悄然开源Cloud Code提效插件Token Economizer,专门帮Agent降低Token消耗,支持Cloud Code、Codex、GitHub Copilot CLI等。
50%