Der Coding-Agent lernt das Repo immer neu. Und das ist die Rechnung.

Hier ist eine Rechnung, die bekannt vorkommt. Ein Coding-Agent läuft jeden Tag auf demselben Repository. Er lernt neu, dass Tests python -m pytest brauchen statt pytest. Er lädt ein Browser-Werkzeug, das er nie aufruft. Er trifft dreimal hintereinander denselben Fehler, probiert viermal dieselbe Korrektur und sagt dann, er stecke fest.
Nichts davon ist ein Modellproblem. Es ist ein Gedächtnisproblem, und TokenEconomizer – von Microsoft Research, UC Berkeley und Microsoft Security – greift es an, ohne das Modell überhaupt anzufassen.
Was gemessen wurde
Das Paper (arXiv 2610.22732) berichtet für SWE-Bench-Aufgaben von 18,4 bis 30,9 Prozent niedrigeren Durchschnittskosten über fünf Agent-Modell-Kombinationen. Billiger in allen dreißig Zellen aus Repository × Kombination. Pass@1 steigt in vier von fünf.
Die Zahlen pro Kombination lohnen das genaue Lesen, weil sie zeigen, woher die Einsparung kommt:
- Claude Code mit Sonnet 5: Kosten −23,6 %, Pass@1 +1,3
- Claude Code mit Opus 4.8: Kosten −30,9 %, Pass@1 −1,0
- Codex mit GPT-5.6 Terra: Kosten −24,7 %, Pass@1 +0,9
- Codex mit GPT-5.6 Sol: Kosten −26,1 %, Pass@1 +1,6
- Copilot CLI mit Sonnet 5: Kosten −18,4 %, Pass@1 +2,6
Eine Regression, vier Verbesserungen, alles billiger. Dieses Muster – fast überall billiger, Qualität etwa gleich bis leicht besser – ist, wie ein gut gezieltes Werkzeug zur Abfallbeseitigung aussieht. Es macht das Modell nicht schlauer. Es hindert es daran, dieselbe Lektion zweimal zu bezahlen.

Drei Mechanismen, eine Idee
Der Rahmensatz im README ist die ganze These: Coding-Agenten sind gebaut, um Aufgaben zu erledigen, nicht um sie billig zu halten. Jede Runde zahlt die Instruktionen des Agenten erneut, jedes geladene Werkzeug und das Gespräch bisher.
Micro-Skills: merken, wie das Repository funktioniert. Sitzungen entdecken immer wieder dieselben Fakten. Ein Build-Schritt, der zuerst laufen muss. Die Schreibweise eines Befehls, der hier funktioniert. Eine Umgebungsvariable, die ein Befehl braucht. Wo generierte Dateien liegen. Micro-Skills lernt das aus zwei Quellen: Fehlern, die sich über Sitzungen wiederholen, und einem Modell, das jede dritte Sitzung die letzten Sitzungen durchsieht und Fakten vorschlägt. Ein Fakt wird erst in den Kontext befördert, wenn drei Sitzungen ihn bestätigt haben.
Diese Bestätigungsschwelle ist das Designdetail, das mir am besten gefällt. Es ist der Unterschied zwischen einem Gedächtnis und einem Gerücht.
Tool-Pruning: keine Werkzeuge mehr schicken, die dieses Repo nie nutzt. Coding-Agenten kommen mit einem großen Werkzeugsatz. Ein Repository, das nie ein Notebook anfasst, braucht das Notebook-Werkzeug nie, und jedes ungenutzte Werkzeug wird in jeder Runde bezahlt. Tool-Pruning entfernt sie über die Einstellungen des Agenten selbst – deshalb funktioniert es, ohne dass der Agent davon etwas weiß.
Eingriff in Fehlerschleifen: die Schleife bemerken. Derselbe Fehler dreimal löst einen Anstoß aus, einen anderen Ansatz zu versuchen. Das ist der billigste Mechanismus und wahrscheinlich der wertvollste, weil Fehlerschleifen der Ort sind, an dem Agenten am meisten Geld für den geringsten Ertrag verbrennen.
Das Abrechnungsdetail, das sonst keiner macht
Eine Zeile im Abschnitt „how it works“ erklärt, warum die Schlagzeilenzahl glaubwürdig ist: Die meisten Tokens einer Sitzung sind gecachte Wiederverlesungen, also wird der Preis mit Cache-Preisen berechnet, und die eigenen Modellaufrufe des Plugins sind enthalten.
Das ist eine seltene Ehrlichkeit. Ein Werkzeug, das Einsparungen meldet und den eigenen Overhead außerhalb der Abrechnung stellt, ist Marketing, keine Messung. Cache-Wiederverlesungen zu Cache-Preisen zu zählen verschiebt auch das Problem: Das Teure an einer Agent-Sitzung sind nicht die frischen Tokens, sondern die Anhäufung.
Installation
Es ist ein Plugin für den Agenten, den man schon nutzt, gestartet aus einem Klon. Python 3.10 oder neuer im PATH, kein eigener API-Key, kein Zugriff auf Zugangsdaten.
git clone https://github.com/microsoft/TokenEconomizer.git
claude plugin marketplace add "$PWD/TokenEconomizer"
claude plugin install tokeneconomizer@tokeneconomizer
Codex und die Copilot CLI haben Entsprechungen – codex plugin marketplace add, copilot plugin install –, und opencode wird ebenfalls unterstützt. Danach den Status mit /tokeneconomizer:status im Agenten prüfen. Zwei Hinweise zur Einrichtung zählen: Der Ordner muss dort bleiben, wo man geklont hat, weil das Plugin aus dem Klon läuft, und für Claude Code muss man /tokeneconomizer:toolprune refresh-catalog einmal pro Maschine und erneut nach Claude-Code-Updates ausführen, weil der Werkzeugkatalog versionsabhängig ist.
In Codex wird man gebeten, dem Ordner zu vertrauen und dann die Hooks zu prüfen. Die Hooks greifen ab der nächsten Sitzung, also beenden und neu starten. Das ist der uneleganteste Teil der Installation, und er lohnt sich, wenn man ihn ordentlich macht statt schnell wegzuklicken.
Was es nicht tut
Es ändert weder das Modell noch die Gewichte noch den Code des Agenten. Das ist der Sinn von „Blackbox“: Alles passiert über den Kontext beim Sitzungsstart und die Einstellungen des Agenten.
Auf einem Repository, das man einmal anfasst, hilft es nicht. Die Rechnung geht ausdrücklich erst über die folgenden Sitzungen auf, was heißt: Die ersten zwei, drei Sitzungen sind eine Investition. Wer jede Woche ein anderes Repo bearbeitet, hat das falsche Werkzeug, und das Paper würde zustimmen.
Und es löst das Qualitätsproblem nicht. Eine Kombination wurde leicht schlechter. Abfall zu entfernen ändert, was der Agent ausgibt, nicht wie gut er denkt, und es gibt keinen Grund anzunehmen, dass es auf beiden Achsen gleichzeitig etwas umsonst gibt.
Eine Warnung zur Messung. Eine Kontrollwoche laufen lassen, bevor man das glaubt. Token-Zahlen in Agent-Sitzungen sind verrauscht, und ein Repository mit einer ungewöhnlich produktiven Woche sieht wie ein Kostengewinn aus, egal welches Plugin installiert wurde. Kosten pro erledigter Aufgabe vergleichen, nicht Kosten pro Tag, und die Aufgabenliste halbwegs konstant halten. Die dreißig Zellen des Papers sind ein brauchbarer Ausgangspunkt, kein Ersatz für die eigene Baseline.
Warum das die Form des nächsten Jahres ist
Agent-Preise waren eine Geschichte über sinkende Modellkosten. Für die meisten Teams ist das der falsche Hebel, weil die Rechnung davon dominiert wird, wie viel der Agent neu liest, nicht vom Preis pro Token. 25 Prozent weniger durch ein billigeres Modell sind nett; 25 Prozent weniger, weil der Build-Befehl nicht neu entdeckt werden muss, sind strukturell – und sie summieren sich mit dem billigeren Modell, statt mit ihm zu konkurrieren.
Wir haben zwei Jahre Prompts optimiert. Die Zahlen hier legen nahe, dass die nächsten zwei den Sitzungen gelten: was in den Kontext kommt, welche Werkzeuge geladen werden und wann eine Schleife unterbrochen wird. Nichts davon braucht ein besseres Modell, und genau deshalb funktioniert es wahrscheinlich.
Wer einen Agenten mehr als zehnmal im Monat auf einem Repository laufen lässt, sollte es installieren und eine Woche lang die eigene Rechnung messen. Die interessante Zahl sind nicht die 18 bis 31 Prozent aus dem Paper. Es ist die Zahl der Sitzungen, in denen etwas neu entdeckt wurde, das man schon wusste.
Verwandte Artikel
Eine community-gepflegte Tabelle von Taps, die Werbung in chinesischen Android-Builds abschaltet
Es fasst das System nicht an, entsperrt nichts, flasht nichts. Es legt nur die Schalter um, die die Hersteller ohnehin vorgesehen haben. Der Preis ist eine Liste, die jemand weiterführen muss.
GPT Image 2.6 hielt den Tokenpreis und erhöhte die Rechnung
GPT Image 2.6 übernimmt jeden Tokenpreis von 2.5 und kostet pro Bild dennoch mehr, weil ein größerer Teil der Arbeit in Ausgabe-Token landet. Elf Tage nach dem Start sagt die Preisstruktur mehr als jede Rangliste.
Jemand hat IDM von außen nachgebaut und aufgeschrieben, was er nicht angefasst hat
Eine Rust-Neuimplementierung von Internet Download Manager verspricht 5x Tempo und 86 Sprachen. Das interessantere Dokument ist der Absatz, der erklärt, wie sie ohne jede Kopie entstanden ist.
Rune ist ein Rust-UI-Framework, das gebaut wurde, damit ein Agent seine eigene Arbeit prüfen kann
Rune rendert headless, gibt seinen Elementbaum aus und nimmt geskriptete Eingaben an. Damit bekommt ein Coding-Agent ein Signal zum Diffen, das ein Screenshot nie liefert. Das Framework ist Pre-Release und nimmt keine Pull Requests an.