Подборка инструментов, статей, бенчмарков и страниц вендоров о стоимости токенов в AI, причинах лишних расходов и способах их сократить.
microsoft/TokenEconomizer
Плагин для Claude Code, Codex, Copilot CLI и Pi, который учится на прошлых сессиях в репозитории и помогает сократить расходы на токены.
- Звёзды
- 4,942
- Форки
- 301
- Открытые issues
- 6
- Последний коммит
- вчера
Что это?
TokenEconomizer снижает стоимость запуска кодовых агентов в репозиториях, с которыми вы часто работаете, не меняя ни самого агента, ни его модель. Плагин записывает, что происходило в предыдущих сессиях, и использует эту историю, чтобы сократить лишние расходы в следующих. В нём есть три механизма: micro-skills запоминают факты о репозитории, например правильную команду для запуска тестов, и добавляют их в начало сессии после того, как несколько сессий подтвердят их; tool pruning удаляет неиспользуемые инструменты через собственные настройки агента, а восстановить их можно одной командой; loop guard использует модель-судью, чтобы обнаружить зациклившийся ход, и отправляет агенту указание сменить направление, оставляя решение об остановке за пользователем.
Плагин поддерживает Claude Code, Codex, GitHub Copilot CLI и Pi, а также экспериментально — opencode. Каждый механизм можно включать и отключать, а пороговые значения — например, число промптов без использования инструмента, после которого он удаляется, — настраиваются. Собственные вызовы модели плагин выполняет через уже настроенный вход в агент, а данные, которые он собирает, хранятся локально в ~/.tokeneconomizer.
В сопроводительной статье приведены результаты задач SWE-Bench для пяти сочетаний агента и модели: средняя стоимость оказалась ниже на 18,4–30,9%. Эти цифры основаны на измерениях авторов.
Ключевые возможности
- 01Добавляет в начало сессии выученные факты о репозитории, например шаги сборки и команды для запуска тестов.
- 02Удаляет неиспользуемые инструменты через собственные настройки агента; восстановить их можно одной командой.
- 03Обнаруживает зациклившиеся ходы с помощью модели-судьи и перенаправляет агента заданное число раз.
- 04Работает с Claude Code, Codex, GitHub Copilot CLI и Pi.
- 05Хранит выученные данные локально и позволяет отменить каждое действие.
Сценарии использования
- Сокращение расходов на токены, когда команда регулярно запускает кодового агента в одной и той же кодовой базе.
- Снижение стоимости длительных задач в стиле SWE, при которых агент заново выясняет одни и те же факты о репозитории.
- Предотвращение зацикливания агента на одной и той же неудачной команде без ручного вмешательства.
Быстрый старт
- 1
Клонируйте репозиторий
git clone https://github.com/microsoft/TokenEconomizer.git - 2
Добавьте маркетплейс плагинов в Claude Code
claude plugin marketplace add "$PWD/TokenEconomizer" - 3
Установите плагин
claude plugin install tokeneconomizer@tokeneconomizer - 4
Запустите Claude Code и проверьте статус плагина
/tokeneconomizer:status
Что важно знать
- Поддерживаются только определённые протестированные версии каждого агента; более старые версии не поддерживаются.
- Требуется Python 3.10 или новее и один из поддерживаемых агентов для программирования.
- Поддержка opencode экспериментальная; протестированы только две версии.
В выпуске Repolode Weekly
- Выпуск 3 · Большие MoE-модели с SSD и пересборка Rust за миллисекунды
Плагин от Microsoft для Claude Code, Codex, Copilot CLI и Pi, который учится на прошлых сессиях и сокращает расход токенов. В начале сессии подставляет команды сборки и тестов, а модель-судья ловит зависшие ходы.
В подборках
Темы
Частые вопросы
- Что такое TokenEconomizer?
- Плагин для Claude Code, Codex, Copilot CLI и Pi, который учится на прошлых сессиях в репозитории и помогает сократить расходы на токены. TokenEconomizer снижает стоимость запуска кодовых агентов в репозиториях, с которыми вы часто работаете, не меняя ни самого агента, ни его модель. Плагин записывает, что происходило в предыдущих сессиях, и использует эту историю, чтобы сократить лишние расходы в следующих. В нём есть три механизма: micro-skills запоминают факты о репозитории, например правильную команду для запуска тестов, и добавляют их в начало сессии после того, как несколько сессий подтвердят их; tool pruning удаляет неиспользуемые инструменты через собственные настройки агента, а восстановить их можно одной командой; loop guard использует модель-судью, чтобы обнаружить зациклившийся ход, и отправляет агенту указание сменить направление, оставляя решение об остановке за пользователем.
- TokenEconomizer можно использовать бесплатно? Какая у него лицензия?
- TokenEconomizer распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- TokenEconomizer всё ещё поддерживается?
- Активно поддерживается. Последний коммит в TokenEconomizer — 6 нояб. 2026 г..
- Для чего можно использовать TokenEconomizer?
- Сокращение расходов на токены, когда команда регулярно запускает кодового агента в одной и той же кодовой базе. Снижение стоимости длительных задач в стиле SWE, при которых агент заново выясняет одни и те же факты о репозитории. Предотвращение зацикливания агента на одной и той же неудачной команде без ручного вмешательства.
- Как установить TokenEconomizer?
- Клонируйте репозиторий: git clone https://github.com/microsoft/TokenEconomizer.git Добавьте маркетплейс плагинов в Claude Code: claude plugin marketplace add "$PWD/TokenEconomizer" Установите плагин: claude plugin install tokeneconomizer@tokeneconomizer Запустите Claude Code и проверьте статус плагина: /tokeneconomizer:status
- Где скачать TokenEconomizer?
- Исходный код и инструкции по установке — на GitHub: https://github.com/microsoft/TokenEconomizer
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
Локальное десктопное ядро подключает разные нативные coding agents к официальному интерфейсу Codex Desktop и позволяет передавать задачи между ними.
Плагин для AI-агентов, который не отправляет в каждом запросе предыдущие изображения, а позволяет модели запрашивать только нужные.
Плагин без зависимостей, который сокращает расход токенов AI-агентами для программирования за счёт более лаконичного текста, стиля кода и уменьшения объёмных результатов инструментов.
Навык для разных инструментов, который помогает AI-агентам писать меньше кода и текста, сокращая расход выходных токенов и затраты на API LLM.
Навык для агентов, который сокращает раздутые файлы навыков, исправляет несоответствия описываемым инструментам и проверяет, что облегчённые версии по-прежнему работают.