---
title: "TokenEconomizer借助会话经验降低AI编码代理成本"
canonical: "https://siyuanailab.com/curation/translations/07b69d20d260eb5c65a7fedd837cafff-34875317f5c00c60407f80e6ec7554520c020c42a9d2eb7b244aff442810017a/"
dateModified: "2026-11-17"
datePublished: "2026-11-17"
---

[返回日报条目](https://siyuanailab.com/curation/#entry/07b69d20d260eb5c65a7fedd837cafff)

 

资料节译

 

# TokenEconomizer借助会话经验降低AI编码代理成本

 

[阅读原文](https://www.microsoft.com/en-us/research/blog/tokeneconomizer-learning-from-experience-to-make-ai-coding-agents-more-efficient/)

 

现有资料无法确认原文完整，本页只翻译已取得的材料。

 

现有原件无法确认图片是否齐全。

 

- 开发者日复一日地在同一代码库中使用 AI 编码代理，但代理往往每次会话都从头开始：重新发现熟悉的信息、加载未使用的工具，并重复无效的方法。
 
- TokenEconomizer 是一个开源插件，它从代理在某个代码库中的过往会话中学习，以减少未来会话中的浪费，同时不修改代理或其底层模型。
 
- 在 277 项真实修复缺陷任务中，TokenEconomizer 使多个 AI 编码代理的成本降低了 18.4–30.9%。在所有受测代码库中，成本均有所下降，同时任务成功率总体保持稳定。

 

AI 编码代理正越来越多地帮助开发者基本独立地修复缺陷和构建功能，但与模型的每次交互都会消耗 *tokens。在每次会话中*，代理都会向模型发送指令、工具描述和会话历史。大多数降低这项成本的努力都聚焦于单个任务。然而，开发者会反复回到相同的代码库，这让代理有机会从以往的工作中学习。如果没有这种学习，代理可能会一再重新摸索如何运行测试、加载从未使用的工具，或花费数十轮反复处理同一个错误。

 

在我们的论文 [TokenEconomizer：基于经验的编码代理黑盒成本控制](https://www.microsoft.com/en-us/research/publication/tokeneconomizer-experience-driven-black-box-cost-control-for-coding-agents/)中，我们提出了一个简单的问题：代码库中的经验能否帮助代理更高效地解决未来任务？TokenEconomizer 是由加州大学伯克利分校、微软研究院和微软安全团队推出的开源插件，它将已完成的会话转化为后续会话的指导。它能减少浪费，而无需改变代理或其底层模型，因此开发者可以将它与自己已经依赖的编码代理搭配使用。

 

我们首先对 Claude Code 在 SWE-Bench 的 60 项任务上的表现进行了分析。SWE-Bench 是一个针对开源 Python 项目真实缺陷修复的基准测试；我们按顺序运行了每个代码库中的任务。反复出现了三类浪费：

 

- **重复发现相同的信息**。当一个代码库中至少积累了五项已完成任务后，30% 的工具调用重复了该代码库先前任务中的某项操作。只有 7% 的调用与其他代码库历史中的操作相符。
 
- **为未使用的工具付费**。代理每一轮都会收到 23 项工具描述，但其中 16 项从未被调用。
 
- **陷入失败循环**。失败的任务占任务总数的 17%，却占总支出的 32%。

 

我们还测试了三个热门的开源插件，它们各自采用固定的节省成本策略。每个插件都在一些代码库中降低了成本，但在另一些代码库中则没有。综合来看，这些发现表明，有效的成本控制必须适应具体代码库，而不是到处套用同一种策略。

 

播客系列

 

加入微软的 Peter Lee，一同探索 AI 如何影响医疗保健，以及这对医学未来意味着什么。

 

每次会话结束后，TokenEconomizer 都会读取会话日志，并更新它对代码库的了解。随后，如图 2 所示，它仅通过代理已有的接口，以三种机制发挥作用。

 

**微技能**用单行笔记记录特定代码库的知识。TokenEconomizer 会识别多个会话中反复出现的模式，并提出相应的笔记。只有在多个会话确认该模式后，这些笔记才会加入代理的初始上下文；如果之后的证据与之矛盾，则会撤下该笔记。

 

**工具精简**会移除根据代码库历史判断代理不太可能**使用**的工具，同时始终保留用于运行命令和编辑文件的核心工具。如有需要，可以恢复已移除的工具。

 

**失败循环干预**会监测代理是否反复遭遇同一种失败。一个裁判模型会判断代理是否真的陷入困境，还是仍在取得进展。如果代理确实陷入困境，就会收到一条简短提示，建议尝试不同的方法。在开源插件中，如果代理收到提示后仍然受困，TokenEconomizer 会提醒开发者，而不是自行停止工作。

 

该控制器旨在随着新证据出现而调整决策。报告的节省金额也计入了 TokenEconomizer 自身模型调用的成本。

 

我们使用五种不同的 AI 编码代理与模型组合，在来自六个代码库的 277 项 SWE-Bench 任务上评估了 TokenEconomizer。每个代码库的测试开始时，TokenEconomizer 都没有任何此前会话历史。

 

如图 3 所示，TokenEconomizer 将平均成本降低了 18.4–30.9%，并且在全部 30 个代码库与组合配对中节省最多，同时没有性能损失。相比之下，降低模型的推理力度虽然节省了相近或更多的成本，却导致性能显著下降。

 

随着经验积累，节省幅度会增加。在学习过程中，早期任务的成本可能更高；但如图 4 所示，到第六项任务时，每个代码库的累计成本都已低于默认水平。每种机制都能单独带来节省，三种机制结合起来则可实现最大的降幅。

 

这种节省也延伸到了按顺序进行的网页开发任务，在 Web-Bench 上成本降低了 16.0–21.2%。在安全审计任务中，由于每项任务都在新的代码库中进行，成本降低了 6.4–19.6%。

 

TokenEconomizer 为编码代理开辟了一条新路径：代理不仅能学习如何解决任务，还能学习如何更有效地使用计算资源。它的轻量级控制器展示了如何在不改变底层代理或模型的情况下，通过经验提升效率。

 

这个开源插件让开发者和研究人员能够探索这些方向。它旨在与现有 AI 编码代理协同运行，无需修改其底层模型，不需要自己的 API 密钥，并且会将学到的内容保留在开发者的机器上。我们邀请社区将它作为起点，探索能够随着经验积累而变得更加善用资源的代理：它们不仅能调整所知，也能调整工作方式。

 

在新标签页中打开 文章 [TokenEconomizer：通过经验学习，让 AI 编码代理更加高效](https://www.microsoft.com/en-us/research/blog/tokeneconomizer-learning-from-experience-to-make-ai-coding-agents-more-efficient/) 最初发表于 [微软研究院](https://www.microsoft.com/en-us/research)。

 

AI 翻译；具体表述请与原文对照。
