微软发布 TokenEconomizer,为 Coding Agent 降低 18.4%–30.9% Token 成本
重度用 Claude Code、Codex 的朋友可以试试微软这个 TokenEconomizer,不改模型不改核心代码,靠积累项目经验和裁剪闲置工具省 18%-30% 的额度,长期维护同一个仓库的人收益最明显。
微软推出 TokenEconomizer,针对 Claude Code、Codex 等 Coding Agent 的 Token 浪费问题,实测可将任务成本下降 18.4%–30.9%。它解决的是三类典型浪费:重复探索代码仓库、无用工具定义占用上下文、无效重试循环。
工具包含三套机制:Micro-skills 通过分析历史会话,提炼项目结构、构建命令、环境配置等可复用知识,在后续会话按需注入,避免每次重新摸索;Tool Pruning 根据历史调用记录识别长期未使用的工具并自动裁剪,减少其定义反复进入上下文的开销;Failure-loop Intervention 检测 Agent 是否陷入反复失败循环,必要时调用模型判断并提供纠偏提示。
整套方案通过现有插件、Hook 和配置接口实现,无需修改底层模型或 Agent 核心代码,支持 Claude Code、Codex、Copilot CLI、Pi。Micro-skills 默认关闭,需手动开启,尤其适合长期维护同一代码仓库的开发者。
微软给了一个Coding Agent降本工具,让你的Codex、Claude Code等任务成本下降18.4%–30.9%
工具叫TokenEconomizer,额度总不够用的重度用户搞一下试试,它解决你Coding Agent把大量Token浪费在重复探索、无用工具定义和无效重试上
比如说,你用Claude Code开发一个项目,第一次任务,它花了大量Token阅读代码、理解项目结构、摸索构建命令、排查环境问题等,第二次任务,它可能又会重新探索一遍
TokenEconomizer针对这些浪费给了三套机制 第一,Micro-skills:让Agent积累项目经验 分析历史会话,提炼项目结构、构建命令、环境配置、常见错误等可复用知识,在后续会话中按需注入,避免反复探索同一个代码仓库
第二,Tool Pruning:自动裁剪闲置工具 根据历史工具调用记录识别长期未使用的工具,减少其定义反复进入模型上下文带来的Token开销
第三,Failure-loop Intervention:识别干预无效重试 检测Agent是否陷入反复失败的循环中,必要时调用模型判断并提供纠偏提示,让Agent尝试新的解决路径,不要在那里一直重复消耗Token
整个方案通过Agent现有插件、Hook和配置接口实现,无需修改底层模型或者Agent核心代码
支持Claude Code、Codex、Copilot CLI、Pi,尤其适合长期维护同一代码仓库的开发者,Micro-skills默认关闭,要手动开启
#节省token #TokenOptimization #TokenEconomizer
This report is categorized under AITOP's "Products" desk, focusing on US frontier AI labs and Silicon Valley technology leaders. Within our cross-regional analytical framework, it directly maps to AI developer toolchains, coding agents, and engineering workflows and US-China foundation model benchmarks and commercialization comparison. Key entities and technical topics under continuous tracking include TokenEconomizer, Claude Code, Codex, coding assistants.
Source attribution: curated from AIGCLINK (@aigclink).