微软研究院联合加州大学伯克利分校与微软安全团队开源了 TokenEconomizer 插件,目标是在不更换智能体或底层模型的前提下降低 AI 编码成本。团队先对 Claude Code 在 SWE-Bench 上的 60 项任务做剖析,发现三类浪费:同一仓库内 30% 的工具调用重复此前动作;每轮送入的 23 个工具描述中有 16 个从未被调用;失败的 17% 任务消耗了 32% 的开支。
插件从历史会话中学习并做三件事:把经多次验证的仓库特性写成一行微技能笔记,注入后续任务上下文,证据矛盾时自动退役;按仓库历史裁剪几乎不用的工具描述,核心命令与编辑工具始终保留;由裁判模型判断智能体是否陷入失败循环,若卡住则给出改换思路的提示,开源版本只提醒开发者而不擅自中断任务。
在 277 项 SWE-Bench 任务、六种组合的评测中,该插件使单任务平均成本下降 18.4% 至 30.9%,性能无损,累计成本在第六个任务时即低于默认方案。
对企业 IT 而言,成本控制重点不在换更便宜的模型,而在减少重复检索、工具过载与失败重试。该插件无需自有 API 密钥,学习结果保存在本机,适合已有 Claude Code、Codex 或 Copilot CLI 的团队试用。