据 MarkTechPost 报道，微软研究院与 UC Berkeley 开源了编程 agent 成本控制器 TokenEconomizer：在 277 个 SWE-Bench 任务上，五种 agent 与模型组合的平均成本下降 18.4% 至 30.9%。

支持范围包括 Claude Code、Codex、GitHub Copilot CLI 与 Pi——市面上主流的编程 agent 几乎全覆盖。

思路：成本问题出在「重复学过的东西」

TokenEconomizer 的做法说穿了很朴素：从同一代码仓库的历史会话里学习，压缩后续会话中的浪费调用。

agent 在同一个仓库里反复干活时，会不断重复付费给相同的信息——重新读一个它上周就读过的模块、重新探索一条它已经走过的修复路径。TokenEconomizer 把这些重复与冗余的上下文识别出来并压缩掉，让每次会话的 token 预算花在新问题上。

三个技术细节值得记

第一，学习对象是同一仓库的历史会话，不是通用语料。 它学的不是「编程知识」，而是「这个仓库里哪些探索是重复的」。这决定了它是一个跟仓库走的工具，不是一个通用加速器。

第二，压缩对象是重复与冗余的上下文，不是推理步数。 它不会让模型「少想」，只让它「不重复想已经想过的」。这个边界划得很清醒——强行压缩推理步数伤质量，压缩重复上下文几乎无损。

第三，收益与仓库的连续性正相关，跨仓库迁移时效果会衰减。 原文没有给出跨仓库的对照数据，这一点需要使用者自行验证。隐含的推论是：越是长期维护、迭代连续的项目，省钱效果越好；一次性脚本仓库基本无感。

还有一个工程前提容易被忽略：控制器要能读到历史会话，就必须与 agent 的调用链在同一侧。 如果团队用的是托管服务、会话日志不外露，学习环节就无从做起。选型时先确认日志可否导出，再谈压缩率。

把它放进本周的语境里看

这周有三件事连起来，构成一条完整的「agent 成本曲线」：

1. DeepSeek Super-agent：多任务架构 p95 从 29.5 分钟降到 15.7 分钟，代价是缓存 token 多 37%——用 token 换时间；
2. OpenAI 额度合池：12 月起 ChatGPT 与 Codex 按 token 统一计量——token 正式成为订阅计价的货币；
3. TokenEconomizer：开源工具把同一仓库的重复 token 消耗压掉三成——token 可以被工程手段优化。

三件事放一起，结论只有一个：token 消耗正在从「隐性成本」变成「显性成本」，而围绕它的优化会成为一个正经的工程方向。 就像云计算出现后催生了成本优化（FinOps）这个职业，agent 普及会催生「agent 成本工程」。

值得关注的原因

第一，评测的指挥棒在变。 2026 年下半年，agent 落地讨论的核心指标已经从榜单分数转向含分母的失败率和增量成本——「能做对」之外，「做对一次花多少钱」开始进入采购决策。微软研究院亲自下场做成本控制，说明这不是社区小工具，是官方认可的一等公民问题。

第二，对重度用户的直接收益可测算。 如果你的团队每天跑数百个 agent 会话，30% 的成本下降是真实可观的预算节省。落地路径也简单：开源工具 + 确认日志可导出 + 先在一个长期仓库试点，看压缩率是否达到论文量级。

第三，它和 harness 层的其他创新是互补而非竞争。 DeepSeek 的事件驱动、GitHarness 降 token、投机执行，解决的是「干得快」；TokenEconomizer 解决的是「花得省」。agent 运行时的竞争正在同时沿性能轴和成本轴展开，两轴都要赢才算能上生产。

参考来源：MarkTechPost 报道（经 CSDN 每日 AI 简报转引，2026-11-01）；TokenEconomizer 开源仓库。