TokenEconomizer senkt die Kosten für KI-Coding-Agenten durch Lernen aus vergangenen Sitzungen
Microsoft Research und UC Berkeley stellen ein Open-Source-Plugin vor, das den Tokenverbrauch von KI-Coding-Agenten reduziert, indem es die Repository-Historie nutzt, ohne das zugrunde liegende Modell zu ändern.
Automatisch aus dem englischen Original übersetzt.
Forscher von Microsoft Research, Microsoft Security und UC Berkeley haben TokenEconomizer veröffentlicht, ein Open-Source-Plugin, das darauf ausgelegt ist, die Betriebskosten von KI-Coding-Agenten zu senken. Das am 16. November 2026 vorgestellte Tool adressiert die Ineffizienz von Agenten, die jede Sitzung bei Null beginnen und wertvollen Kontext aus früheren Interaktionen innerhalb desselben Codebases ignorieren.
Was passiert ist
KI-Coding-Agenten werden zunehmend zu Standardwerkzeugen für die Fehlerbehebung und die Entwicklung neuer Funktionen, doch ihre Abhängigkeit von großen Sprachmodellen macht ihren Betrieb teuer. Jede Interaktion verbraucht Tokens, da der Agent Anweisungen, Tool-Beschreibungen und den Verlauf an das Modell sendet. Während Entwickler oft tagelang in denselben Repositories arbeiten, behalten die meisten Agenten kein Wissen über Sitzungen hinweg, was zu wiederholten Fehlern und redundanten Berechnungen führt.
Um diese Verschwendung zu quantifizieren, hat das Forschungsteam Claude Code auf 60 Aufgaben des SWE-Bench profiliert, einem Benchmark für echte Fehlerbehebungen in Open-Source-Python-Projekten. Sie identifizierten drei Hauptquellen der Ineffizienz: das erneute Entdecken bereits bekannter Fakten aus früheren Aufgaben, die Bezahlung ungenutzter Tool-Beschreibungen und das Feststecken in Fehler-Schleifen. Zum Beispiel waren nach fünf abgeschlossenen Aufgaben in einem Repository 30 % der Tool-Aufrufe Wiederholungen von Aktionen aus früheren Sitzungen. Zudem erhielten die Agenten pro Turn 23 Tool-Beschreibungen, nutzten aber nur sieben davon, während fehlgeschlagene Aufgaben fast ein Drittel der Gesamtkosten verursachten, obwohl sie nur 17 % des Arbeitsaufwands ausmachten.
Bestehende Plugins zur Kostensenkung wenden oft feste Strategien an, die sich nicht an die spezifischen Bedürfnisse eines Repositorys anpassen. TokenEconomizer verfolgt einen anderen Ansatz, indem es jede abgeschlossene Sitzung als Lernmöglichkeit betrachtet. Es funktioniert als Black-Box-Controller, der neben dem Agenten läuft, Logs analysiert, um sein Verständnis des Repositorys zu aktualisieren, ohne Änderungen am Agenten selbst oder seinem zugrunde liegenden Modell vorzunehmen.
Wie es funktioniert
TokenEconomizer funktioniert über drei adaptive Mechanismen, die das Verhalten des Agenten im Laufe der Zeit verfeinern. Erstens generiert es Micro-Skills, also einzeilige Notizen, die repository-spezifische Muster erfassen. Diese Notizen werden dem Kontext des Agenten erst hinzugefügt, nachdem mehrere Sitzungen ihre Gültigkeit bestätigt haben, und entfernt, wenn spätere Beweise ihnen widersprechen. Dies stellt sicher, dass der Agent nützliche Abkürzungen behält, ohne veraltete oder falsche Informationen anzusammeln.
Zweitens führt das Tool ein dynamisches Tool-Pruning durch. Es entfernt Beschreibungen für Tools, die laut historischen Daten im aktuellen Repository wahrscheinlich nicht verwendet werden, bewahrt jedoch immer Kernfunktionen für das Ausführen von Befehlen und das Bearbeiten von Dateien. Wenn ein entferntes Tool später notwendig wird, kann es wiederhergestellt werden. Drittens überwacht ein Interventionsmechanismus für Fehler-Schleifen den Agenten auf repetitive Fehler. Ein Judge-Modell bestimmt, ob der Agent wirklich feststeckt, und bietet bei Bestätigung eine kurze Notiz mit einem Vorschlag für einen anderen Ansatz. Bleibt der Agent stecken, alarmiert das Plugin den Entwickler, statt den Prozess anzuhalten.
Wichtige Details
- TokenEconomizer reduzierte die Kosten um 18,4–30,9 % bei 277 SWE-Bench-Aufgaben unter Verwendung von fünf verschiedenen Kombinationen aus KI-Agenten und Modellen.
- Das Plugin erzielte Einsparungen in jedem getesteten Repository, wobei die kumulativen Kosten bis zur sechsten Aufgabe unter das Standardniveau fielen.
- Die Erfolgsquoten der Aufgaben blieben weitgehend stabil, und bei vier von fünf Agent-Modell-Kombinationen verbesserte sich die Pass-Rate sogar.
- Die Einsparungen galten auch für andere Domänen und reduzierten die Kosten um 16,0–21,2 % bei Web-Bench für Webentwicklung sowie um 6,4–19,6 % für Sicherheitsaudit-Aufgaben.
- Das Tool läuft lokal auf der Maschine des Entwicklers, benötigt keinen API-Key und modifiziert das zugrunde liegende KI-Modell nicht.
- Frühe Sitzungen können mehr kosten, während das System lernt, aber die Effizienzgewinne akkumulieren sich schnell mit zunehmender Erfahrung.
Warum das wichtig ist
Für Engineering-Teams, die KI-Agenten einführen, können die Token-Kosten schnell eskalieren, insbesondere wenn Agenten autonom auf komplexen Codebases operieren. TokenEconomizer zeigt, dass erhebliche Einsparungen möglich sind, ohne die Leistung zu opfern oder eine tiefe Integration mit proprietären Modellen zu erfordern. Durch die Anpassung an die spezifischen Gewohnheiten und die Struktur eines Repositorys vermeidet es die Fallstricke von One-size-fits-all-Optimierungsstrategien, die oft die Fähigkeiten des Agenten beeinträchtigen.
Dieser Ansatz verschiebt das Paradigma davon, jede Agent-Sitzung als isoliertes Ereignis zu betrachten, hin zu einer Behandlung als Teil eines kontinuierlichen Lernprozesses. Er ermöglicht es Entwicklern, hohe Erfolgsquoten beizubehalten, während sie den finanziellen Overhead automatisierter Coding-Assistenz reduzieren. Da Agenten immer verbreiteter werden, sind Tools, die es ihnen ermöglichen, aus Erfahrung zu lernen, entscheidend für eine nachhaltige Einführung in Produktionsumgebungen.
Was Sie tun können
- Installieren Sie das Open-Source-Plugin TokenEconomizer, um Kostensenkungen in Ihren bestehenden KI-Coding-Workflows zu testen.
- Überwachen Sie die ersten wenigen Sitzungen genau, da das System anfängliche Aufgaben benötigt, um seine repository-spezifische Wissensbasis aufzubauen.
- Prüfen Sie die generierten Micro-Skills regelmäßig, um sicherzustellen, dass die gelernten Muster mit den sich entwickelnden Standards Ihres Projekts übereinstimmen.
- Kombinieren Sie TokenEconomizer mit anderen Best Practices wie klarem Prompt-Engineering, um die Gesamteffizienz zu maximieren.
- Evaluieren Sie das Tool auf vielfältige Aufgaben, einschließlich Fehlerbehebungen und Feature-Entwicklung, um seine Auswirkungen auf verschiedene Arten von Arbeit zu verstehen.
- Tragen Sie zum Open-Source-Projekt bei, indem Sie Feedback dazu geben, wie der Interventionsmechanismus für Fehler-Schleifen Edge Cases in Ihrem Codebase behandelt.



