پلاگین جدید مایکروسافت، هزینه اجرای ایجنت‌های کدنویسی را تا ۳۰ درصد کاهش می‌دهد

معرفی TokenEconomizer

پلاگین TokenEconomizer یک ابزار متن‌باز توسعه‌یافته توسط مایکروسافت است که هزینه اجرای ایجنت‌های کدنویسی را در مخازنی که کاربر به‌صورت مداوم با آن‌ها سر و کار دارد، بدون نیاز به اعمال هرگونه تغییر در خود ایجنت یا مدل پایه به‌شکل محسوسی کاهش می‌دهد. این نوآوری در مقاله پژوهشی «TokenEconomizer: کنترل هزینه جعبه‌سیاه مبتنی بر تجربه برای ایجنت‌های کدنویسی» معرفی شده است و از ابزارهایی مانند Claude Code، OpenAI Codex، GitHub Copilot CLI و Pi به‌همراه پشتیبانی آزمایشی از opencode پشتیبانی می‌کند.

ایده اصلی این ابزار از یک واقعیت ملموس در دنیای واقعی سرچشمه می‌گیرد: برنامه‌نویسان ایجنت‌های هوش مصنوعی را برای انجام مجموعه‌ای متوالی از وظایف در یک مخزن کد مشخص به کار می‌گیرند، اما ایجنت‌ها معمولاً در هر بار اجرا، توکن‌های فراوانی را برای کشف مجدد متغیرهای محیطی، بارگذاری ابزارهای بی‌استفاده و سردرگمی در چرخه‌های خطای تکراری هدر می‌دهند. ابزار TokenEconomizer با یاد‌گیری مداوم از جلسات قبلی، این اتلاف منابع مداوم را متوقف می‌کند.

سه سازوکار اصلی برای مدیریت هزینه‌ها

1. مهارت‌های خرد (Micro-skills): این سازوکار شیوه عملکرد و جزئیات مخزن پروژه را به خاطر می‌سپارد؛ مواردی مانند اجرای دستور python -m pytest به‌جای فرمان ناموجود pytest، مراحل پیش‌نیاز ساخت پروژه یا متغیرهای محیطی الزامی. این قواعد از تحلیل خطاهای پرتکرار و بازبینی دوره‌ای جلسات اخیر استخراج می‌شوند، پس از تأیید در سه جلسه کاری به پرامپت ایجنت تزریق خواهند شد و در صورت بروز هرگونه تناقض، کنار گذاشته می‌شوند.
2. هرس ابزارهای غیرضروری (Tool pruning): ابزارهایی که در طول چندین پرامپت یا جلسه کاری مورد استفاده قرار نگیرند، از طریق تنظیمات داخلی خود ایجنت در جلسات بعدی غیرفعال می‌شوند؛ چراکه بارگذاری تعاریف هر ابزار در تمام درخواست‌ها حجم بالایی از توکن‌ها را مصرف می‌کند. این ابزارها تنها با یک دستور مجدداً در دسترس قرار می‌گیرند.
3. محافظت در برابر چرخه‌های خطا (Failure-loop guard): هنگامی که ایجنت در چند نوبت متوالی با خطاهای مشابه مواجه می‌شود، یک مدل داور وضعیت را می‌سنجد و در صورت اطمینان بیش از ۷۰ درصد از به بن‌بست رسیدن ایجنت، یک یادداشت راهنما برای هدایت و تغییر مسیر به آن ارسال می‌کند؛ این سیستم هرگز فرایند کار ایجنت را متوقف نمی‌سازد، بلکه تنها مسیر حل مسئله را اصلاح می‌کند.

نتایج و دستاوردهای پژوهشی

• کاهش میانگین ۱۸٫۴ تا ۳۰٫۹ درصدی هزینه‌ها در ۲۷۷ وظیفه از بنچمارک SWE-bench با ترکیب پنج ایجنت و مدل مختلف به اثبات رسیده است؛ این رویکرد در تمامی ۳۰ حالت آزمایشی ترکیبی میان مخزن و مدل، هزینه‌ها را کاهش داده و نرخ موفقیت در اولین تلاش (Pass@1) را در چهار مورد از پنج ترکیب ارتقا بخشیده است.
• صرفه‌جویی ۱۶ تا ۲۱ درصدی در بنچمارک Web-Bench و ۶ تا ۲۰ درصدی در بنچمارک‌های ممیزی امنیتی گزارش شده است.
• تمامی داده‌های آموخته‌شده به‌صورت محلی در مسیر ~/.tokeneconomizer نگهداری می‌شوند و هزینه فراخوانی مدل داور داخلی نیز در برآورد کلی هزینه‌ها محاسبه شده است.

نحوه نصب و راه‌اندازی

git clone https://github.com/microsoft/TokenEconomizer.git
# Claude Code
claude plugin marketplace add "$PWD/TokenEconomizer"
claude plugin install tokeneconomizer@tokeneconomizer
# Codex
codex plugin marketplace add "$PWD/TokenEconomizer"
codex plugin add tokeneconomizer@tokeneconomizer
# Pi
pi install git:github.com/microsoft/TokenEconomizer

1. پوشه کلون‌شده را حفظ کنید؛ چراکه ایجنت‌ها پلاگین را مستقیماً از همین مسیر فراخوانی می‌کنند.
2. ایجنت خود را در مخزن مد نظر اجرا کنید و دستور /tokeneconomizer:status را فراخوانی نمایید؛ هم‌چنین در Claude Code کافی است یک‌بار دستور /tokeneconomizer:toolprune refresh-catalog را اجرا کنید.
3. با افزایش دفعات کار با یک مخزن، میزان صرفه‌جویی در مصرف توکن‌ها بیشتر می‌شود. برای مشاهده نمودارهای تعاملی می‌توانید به صفحه اختصاصی پروژه مراجعه کنید.