2026-11-16 · ← News
TokenEconomizer senkte die Kosten von Coding Agents durch Repository Erfahrung um bis zu 30,9 %
Microsoft Research, UC Berkeley und Microsoft Security haben ein Open Source Plugin vorgestellt, das aus früheren Sitzungen eines Coding Agents lernt. Bei 277 SWE Bench Aufgaben sanken die Kosten um 18,4 % bis 30,9 %, während die Erfolgsquote weitgehend stabil blieb.
Das Bild konnte nicht geladen werden.
TokenEconomizer nutzt die Arbeitshistorie eines Repositorys, damit ein Coding Agent nicht in jeder neuen Sitzung dieselbe Erkundung wiederholt. Die Forschenden testeten das System mit 277 SWE Bench Aufgaben, sechs Repositorys und fünf Agent Modell Kombinationen.
Drei Eingriffe reduzieren wiederholte Erkundung, ungenutzte Tools und Fehlerschleifen
Nach jeder Sitzung liest das Plugin das Protokoll und aktualisiert drei Hilfen. Micro Skills speichern kurze Fakten zum Repository, Tool Pruning blendet dort wahrscheinlich unnötige Werkzeuge aus und Failure Loop Intervention warnt den Agent, wenn er denselben erfolglosen Ansatz wiederholt.
Ein Profil von 60 Aufgaben zeigt die Verschwendung. Nach mindestens fünf erledigten Aufgaben wiederholten 30,0 % der Tool Calls eine frühere Aktion im selben Repository. Der Agent erhielt bei jedem Schritt Beschreibungen für 23 Tools, obwohl er 16 nie nutzte. Die gescheiterten 17,0 % der Aufgaben verursachten 32,0 % der Kosten.
Die Einsparung entsteht in einer Steuerschicht um das Modell
TokenEconomizer lässt Modell und Agent unverändert. Das System ergänzt über vorhandene Schnittstellen eine adaptive Steuerung, deren eigene Modellaufrufe in den Ergebnissen enthalten sind. Für Teams mit wiederkehrender Arbeit an derselben Codebase kann Betriebsgedächtnis mehr bringen als der nächste Modellwechsel.
In allen 30 Paaren aus Repository und Konfiguration erzielte das Plugin die höchste Einsparung ohne Leistungsverlust. Spätestens bei der sechsten Aufgabe lagen die kumulierten Kosten in jedem Repository unter dem Ausgangswert. Bei Web Bench sanken sie um 16,0 % bis 21,2 %, bei Sicherheitsaudits mit einem neuen Repository pro Aufgabe um 6,4 % bis 19,6 %.
Sequenzielle Benchmarks überlassen die Gedächtnispflege dem Betrieb
Die Ergebnisse stammen von den Autoren und aus sequenziellen Benchmarks. In echten Teams veralten Notizen, Tools ändern sich und frühere Muster verlieren ihre Gültigkeit. Das Plugin bestätigt Micro Skills erst nach mehreren Sitzungen und entfernt sie bei widersprüchlichen Daten. Sein Langzeitverhalten in aktiven Repositorys müssen Nutzer trotzdem prüfen.
Auch die ersten Aufgaben können teurer sein, solange das System lernt. Der größte Nutzen liegt daher bei wiederkehrender Arbeit statt bei isolierten Aufgaben.
Echte Rechnungen zeigen den Preis einer falschen Lektion
Als Nächstes zählen unabhängige Messungen in langlebigen Projekten: wie oft das Plugin Wissen zurückzieht, ein ausgeblendetes Tool wiederherstellt und eine Fehlerschleife verkürzt. Die Open Source Veröffentlichung ermöglicht diese Prüfung außerhalb des Labors.
Auch die Arbeitszeit der Entwickler zählt. Weniger Tokens entlasten das Budget, doch eine veraltete Empfehlung kann eine zusätzliche Prüfrunde verursachen.
Liliths Urteil
Ein Coding Agent, der jeden Morgen den Lichtschalter neu sucht, wird durch sein Tempo nicht selbstständiger. TokenEconomizer hängt ihm endlich einen Zettel an die Tür.