Agentes de IA

TokenEconomizer reduce los costes de los agentes de codificación con IA aprendiendo de sesiones anteriores

Microsoft Research y UC Berkeley presentan un plugin de código abierto que reduce el uso de tokens para los agentes de codificación con IA aprovechando el historial del repositorio sin modificar el modelo subyacente.

Un cuaderno digital absorbiendo luz de documentos de papel sobre un escritorio.
Ilustración generada para este artículo

Traducido automáticamente del original en inglés.

Investigadores de Microsoft Research, Microsoft Security y UC Berkeley han lanzado TokenEconomizer, un plugin de código abierto diseñado para reducir los costes operativos de los agentes de codificación con IA. Publicado el 16 de noviembre de 2026, esta herramienta aborda la ineficiencia de los agentes que reinician cada sesión desde cero, ignorando el valioso contexto de interacciones previas dentro de la misma base de código.

Qué ha ocurrido

Los agentes de codificación con IA se están convirtiendo en herramientas estándar para corregir errores y desarrollar funciones, pero su dependencia de grandes modelos de lenguaje hace que sean costosos de ejecutar. Cada interacción consume tokens cuando el agente envía instrucciones, descripciones de herramientas e historial al modelo. Aunque los desarrolladores suelen trabajar en los mismos repositorios día tras día, la mayoría de los agentes no retienen conocimientos entre sesiones, lo que provoca errores repetidos y cálculos redundantes.

Para cuantificar este desperdicio, el equipo de investigación perfiló Claude Code en 60 tareas de SWE-Bench, una referencia para correcciones reales de errores en proyectos Python de código abierto. Identificaron tres fuentes principales de ineficiencia: redescubrir hechos ya conocidos de tareas anteriores, pagar por descripciones de herramientas no utilizadas y quedar atrapados en bucles de fallo. Por ejemplo, tras cinco tareas completadas en un repositorio, el 30% de las llamadas a herramientas eran repeticiones de acciones de sesiones anteriores. Además, los agentes recibían 23 descripciones de herramientas por turno pero solo usaban siete, mientras que las tareas fallidas representaban casi un tercio del gasto total a pesar de constituir solo el 17% de la carga de trabajo.

Los plugins existentes para ahorrar costes suelen aplicar estrategias fijas que no se adaptan a las necesidades específicas del repositorio. TokenEconomizer adopta un enfoque diferente al tratar cada sesión completada como una oportunidad de aprendizaje. Funciona como un controlador de caja negra que opera junto al agente, analizando los registros para actualizar su comprensión del repositorio sin requerir cambios en el propio agente ni en su modelo subyacente.

Cómo funciona

TokenEconomizer opera mediante tres mecanismos adaptativos que refinan el comportamiento del agente con el tiempo. En primer lugar, genera micro-habilidades, que son notas de una sola línea que capturan patrones específicos del repositorio. Estas notas se añaden al contexto del agente solo después de que múltiples sesiones confirmen su validez, y se eliminan si evidencia posterior las contradice. Esto garantiza que el agente conserve atajos útiles sin acumular información obsoleta o incorrecta.

En segundo lugar, la herramienta realiza una poda dinámica de herramientas. Elimina las descripciones de aquellas herramientas que los datos históricos sugieren que es poco probable que se utilicen en el repositorio actual, preservando siempre las capacidades esenciales para ejecutar comandos y editar archivos. Si una herramienta podada resulta necesaria más adelante, puede restaurarse. En tercer lugar, un mecanismo de intervención en bucles de fallo monitoriza al agente ante errores repetitivos. Un modelo juez determina si el agente está realmente bloqueado y, en ese caso, proporciona una breve nota sugiriendo un enfoque diferente. Si el agente permanece bloqueado, el plugin alerta al desarrollador en lugar de detener el proceso.

Detalles clave

  • TokenEconomizer redujo los costes entre un 18,4% y un 30,9% en 277 tareas de SWE-Bench utilizando cinco combinaciones diferentes de agentes de IA y modelos.
  • El plugin logró ahorros en todos los repositorios probados, con costes acumulados que cayeron por debajo de los niveles predeterminados a partir de la sexta tarea.
  • Las tasas de éxito de las tareas permanecieron ampliamente estables, y en cuatro de las cinco combinaciones de agente-modelo, la tasa de aprobación mejoró efectivamente.
  • Los ahorros también se aplicaron a otros dominios, reduciendo los costes entre un 16,0% y un 21,2% en Web-Bench para desarrollo web y entre un 6,4% y un 19,6% para tareas de auditoría de seguridad.
  • La herramienta se ejecuta localmente en la máquina del desarrollador, no requiere clave API y no modifica el modelo de IA subyacente.
  • Las primeras sesiones pueden ser más costosas mientras el sistema aprende, pero las ganancias en eficiencia se acumulan rápidamente a medida que crece la experiencia.

Por qué importa

Para los equipos de ingeniería que adoptan agentes de IA, los costes de tokens pueden escalar rápidamente, especialmente cuando los agentes operan de forma autónoma sobre bases de código complejas. TokenEconomizer demuestra que son posibles ahorros significativos sin sacrificar rendimiento ni requerir una integración profunda con modelos propietarios. Al adaptarse a los hábitos específicos y la estructura de un repositorio, evita las trampas de las estrategias de optimización únicas que a menudo degradan la capacidad del agente.

Este enfoque cambia el paradigma de ver cada sesión del agente como un evento aislado a tratarlas como parte de un proceso continuo de aprendizaje. Permite a los desarrolladores mantener altas tasas de éxito mientras reducen la sobrecarga financiera de la asistencia automatizada de codificación. A medida que los agentes se vuelven más prevalentes, las herramientas que les permiten aprender de la experiencia serán críticas para una adopción sostenible en entornos de producción.

Qué puedes hacer

  • Instala el plugin de código abierto TokenEconomizer para probar las reducciones de costes en tus flujos de trabajo actuales de codificación con IA.
  • Monitoriza las primeras sesiones de cerca, ya que el sistema requiere las tareas iniciales para construir su base de conocimiento específica del repositorio.
  • Revisa periódicamente las micro-habilidades generadas para asegurar que los patrones aprendidos se alinean con los estándares evolutivos de tu proyecto.
  • Combina TokenEconomizer con otras mejores prácticas, como la ingeniería clara de prompts, para maximizar la eficiencia general.
  • Evalúa la herramienta en diversas tareas, incluyendo corrección de errores y desarrollo de funciones, para entender su impacto en diferentes tipos de trabajo.
  • Contribuye al proyecto de código abierto compartiendo comentarios sobre cómo el mecanismo de intervención en bucles de fallo maneja casos límite en tu base de código.
  • #ai agents
  • #cost optimization
  • #developer tools
  • #microsoft research
  • #token efficiency

Herramientas de la Tienda de Bytechap

$79

WorkBento

Suite de RR. HH. y gestión del entorno laboral impulsada por IA que puedes alojar tú mismo.

Demo en vivo

Seguir leyendo

Todos los artículos