TokenEconomizer、過去のセッションから学習しAIコーディングエージェントのコストを削減
Microsoft Researchとカリフォルニア大学バークレー校が、基盤モデルを変更することなくリポジトリの履歴を活用してAIコーディングエージェントのトークン使用量を削減するオープンソースプラグインを発表しました。
英語の原文から自動翻訳されました。
Microsoft Research、Microsoft Security、およびカリフォルニア大学バークレー校の研究チームは、AIコーディングエージェントの運用コストを下げることを目的としたオープンソースプラグイン「TokenEconomizer」をリリースしました。2026年11月16日に公開されたこのツールは、同じコードベース内の以前のインタラクションから得られる貴重なコンテキストを無視し、毎回ゼロからセッションを開始するエージェントの非効率性に対処します。
何が起きたか
AIコーディングエージェントはバグ修正や機能開発のための標準的なツールになりつつありますが、大規模言語モデル(LLM)に依存しているため、実行コストが高くなります。エージェントが指示、ツールの説明、履歴をモデルに送信するたびに、各インタラクションでトークンを消費します。開発者は毎日同じリポジトリで作業することが多いにもかかわらず、多くのエージェントはセッション間で知識を保持できず、その結果、繰り返しのミスや冗長な計算が発生しています。
この無駄を定量化するため、研究チームはSWE-Bench(オープンソースPythonプロジェクトにおける実際のバグ修正のベンチマーク)の60タスクでClaude Codeのプロファイリングを行いました。彼らは、以前から知られている事実の再発見、未使用のツール説明への支払い、失敗ループへの陥入という3つの主要な非効率性の原因を特定しました。例えば、あるリポジトリで5つのタスクが完了した後、ツール呼び出しの30%は以前のセッションでのアクションの繰り返しでした。さらに、エージェントはターンあたり23個のツール説明を受け取っていましたが、実際に使用したのは7個のみであり、失敗したタスクは総ワークロードの17%しか占めていないにもかかわらず、総支出のほぼ3分の1を占めていました。
既存のコスト削減プラグインは、特定のRepositoryニーズに適応しない固定戦略を適用することが多いです。TokenEconomizerは、完了した各セッションを学習機会として扱うことで異なるアプローチを取ります。これは、エージェント自体やその基盤モデルに変更を加えることなく、ログを分析してリポジトリに対する理解を更新する、エージェントと並行して動作するブラックボックスコントローラーとして機能します。
仕組み
TokenEconomizerは、時間の経過とともにエージェントの挙動を洗練させる3つの適応メカニズムを通じて機能します。第一に、リポジトリ固有のパターンを捉えた一行のメモである「マイクロスキル」を生成します。これらのメモは、複数のセッションで有効性が確認された後にのみエージェントのコンテキストに追加され、後続の証拠によって矛盾が生じた場合は廃止されます。これにより、エージェントは有用なショートカットを保持しつつ、古くなったり誤っていたりする情報の蓄積を防ぐことができます。
第二に、このツールは動的なツールプルーニングを実行します。履歴データに基づいて現在のリポジトリで使用される可能性が低いツールの説明を削除しますが、コマンドの実行やファイル編集といったコア機能は常に保持します。プルーニングされたツールが後で必要になった場合、復元することができます。第三に、失敗ループ介入メカニズムがエージェントの反復的なエラーを監視します。ジャッジモデルがエージェントが本当にスタックしているかどうかを判断し、そうであれば別のアプローチを提案する短いメモを提供します。エージェントが依然としてスタックしている場合、プロセスを停止するのではなく、プラグインが開発者にアラートを通知します。
主な詳細
- TokenEconomizerは、5種類の異なるAIエージェントとモデルの組み合わせを使用し、277件のSWE-Benchタスクにおいてコストを18.4~30.9%削減しました。
- テストされたすべてのリポジトリで節約効果が達成され、6番目のタスクまでに累積コストがデフォルトレベルを下回りました。
- タスク成功率は概ね安定しており、5つのエージェント・モデル組み合わせのうち4つでは、パス率が実際には向上しました。
- 節約効果は他のドメインにも適用され、Web開発向けのWeb-Benchではコストを16.0~21.2%、セキュリティ監査タスクでは6.4~19.6%削減しました。
- このツールは開発者のマシン上でローカルに実行され、APIキーは不要で、基盤となるAIモデルを変更しません。
- システムが学習する初期セッションではコストが高くなる可能性がありますが、経験が増えるにつれて効率の向上は急速に蓄積されます。
なぜ重要なのか
AIエージェントを導入するエンジニアリングチームにとって、特にエージェントが複雑なコードベースで自律的に動作する場合、トークンコストは急速に上昇する可能性があります。TokenEconomizerは、パフォーマンスを犠牲にしたり、独自モデルとの深い統合を要求したりすることなく、大幅な節約が可能であることを示しています。リポジトリ固有の習慣や構造に適応することで、エージェントの能力を低下させがちな画一的な最適化戦略の落とし穴を回避します。
このアプローチは、各エージェントセッションを孤立したイベントとして見るパラダイムから、継続的な学習プロセスの一部として扱うパラダイムへと転換します。これにより、開発者は自動化されたコーディング支援に伴う金銭的オーバーヘッドを削減しながら、高い成功率を維持することができます。エージェントがより普及するにつれ、経験から学ぶことを可能にするツールは、本番環境での持続可能な導入にとって不可欠になります。
できること
- オープンソースのTokenEconomizerプラグインをインストールし、既存のAIコーディングワークフローでのコスト削減をテストしてください。
- システムがリポジトリ固有のナレッジベースを構築するために最初の数タスクを必要とするため、最初のいくつかのセッションを注意深く監視してください。
- 学習されたパターンがプロジェクトの進化する基準と一致していることを確認するために、生成されたマイクロスキルを定期的にレビューしてください。
- 明確なプロンプトエンジニアリングなどの他のベストプラクティスとTokenEconomizerを組み合わせて、全体的な効率を最大化してください。
- バグ修正や機能開発など多様なタスクでツールを評価し、異なるタイプの仕事に対する影響を理解してください。
- コードベースのエッジケースに対して失敗ループ介入がどのように対処するかに関するフィードバックを共有することで、オープンソースプロジェクトに貢献してください。



