微软研究院开源TokenEconomizer插件,利用仓库历史会话为AI编码Agent降本最高30.9%
摘要
UC Berkeley、Microsoft Research与Microsoft Security联合发布开源插件TokenEconomizer,通过从Agent在同一仓库的历史会话中学习,在不修改Agent或底层模型的前提下降低后续会话成本,降幅达18.4%至30.9%。
AI编码Agent的调用成本正成为工程团队关注的现实问题。UC Berkeley、Microsoft Research与Microsoft Security近日联合推出一款名为TokenEconomizer的开源插件,试图从历史交互数据中寻找降本空间。
该插件的核心思路是复用经验:它会从Agent在同一仓库中积累的历史会话里提取信息,并将这些经验应用于后续会话。值得注意的是,这一过程无需对Agent本身或底层模型做任何修改,属于外挂式优化路径。
据披露,TokenEconomizer带来的成本降幅区间为18.4%至30.9%。对于长期在固定代码仓库上运行Agent的团队而言,这一比例意味着可观的调用开销缩减,且落地门槛较低。
从技术路线看,该方案强调对仓库上下文的持续学习,而非依赖模型侧的压缩或裁剪。这为Agent成本优化提供了新的工程视角,也反映出围绕编码Agent的配套工具链正在细化。
目前TokenEconomizer已以开源形式发布,由三家机构合作推进,后续在真实开发流程中的适配效果值得持续观察。
本文由新大陆基于公开信息编辑整理
信息来源:AIHOT AIHOT原文 ↗