伯克利与微软新方法降低编程智能体 token 成本 30.9%

原标题:New UC Berkeley and Microsoft paper cuts coding-agent token costs by 18.4% to 30.9% using an externa...
78AI 研判分

加州大学伯克利分校与微软提出 TokenEconomizer,一个位于智能体外部的黑盒控制器,通过从历史运行中学习应注入哪些事实、剔除哪些未使用工具、何时提前终止失败循环,仅改动提示与工具配置。在 Claude Code、Codex 与 GitHub Copilot CLI 上针对 277 个 SWE-Bench 任务测试,单任务平均成本下降 18.4% 至 30.9%,并在 5 组智能体-模型配置中的 4 组提升了 Pass@1。

报道正文

Rohan Paul (@rohanpaul_ai) · 2026-11-16 23

UC Berkeley 与 Microsoft 的新论文通过一个能从过往运行中学习的外部控制器,将编码智能体的 token 成本降低了 18.4% 至 30.9%。

其方式是注入已学到的事实、裁剪未使用的工具,并提前终止失败的循环。

编码智能体按 token 计费,且每一轮都会重新发送不断增长的历史记录,因此长周期项目会变得昂贵。token 效率通常只在孤立任务上衡量,忽略了在同一代码库中一系列任务之间累积起来的成本。

TokenEconomizer 作为黑盒位于智能体之外,仅改变提示词和工具设置。它从过往运行中学习应注入哪些事实、应丢弃哪些未使用的工具,以及何时停止失败的循环。

在 277 个 SWE-Bench 任务上,跨 Claude Code、Codex 和 GitHub Copilot CLI,它将平均每任务成本降低了 18.4% 至 30.9%。它在 5 种智能体-模型设置中的 4 种上提升了 Pass@1,且节省效果在每个代码库中都得以保持。

应在整个项目范围内衡量智能体成本,而非按任务衡量,并使用能适应每个代码库的外部控制器,而非固定插件。

推文配图