← Retour au blog
AiEnviron 7 min de lecture

TokenEconomizer : réduire la facture d'un agent sans changer de modèle

Publié le 7 nov. 2026
TokenEconomizer : réduire la facture d'un agent sans changer de modèle

Voici une facture qui parlera. Vous lancez un agent de codage sur le même dépôt chaque jour. Il réapprend que les tests demandent python -m pytest et non pytest. Il charge un outil de navigateur qu'il n'appelle jamais. Il rencontre trois fois de suite la même erreur, tente quatre fois le même correctif, puis vous annonce qu'il est bloqué.

Rien de tout cela n'est un problème de modèle. C'est un problème de mémoire, et TokenEconomizer — signé Microsoft Research, UC Berkeley et Microsoft Security — s'y attaque sans jamais toucher au modèle.

Ce qu'il mesure

L'article (arXiv 2610.22732) rapporte, sur des tâches SWE-Bench, un coût moyen inférieur de 18,4 % à 30,9 % sur cinq combinaisons agent-modèle. Moins cher dans les trente cellules dépôt × combinaison. Pass@1 en hausse dans quatre cas sur cinq.

Les chiffres par combinaison méritent une lecture attentive, parce qu'ils montrent d'où vient l'économie :

  • Claude Code avec Sonnet 5 : coût −23,6 %, Pass@1 +1,3
  • Claude Code avec Opus 4.8 : coût −30,9 %, Pass@1 −1,0
  • Codex avec GPT-5.6 Terra : coût −24,7 %, Pass@1 +0,9
  • Codex avec GPT-5.6 Sol : coût −26,1 %, Pass@1 +1,6
  • Copilot CLI avec Sonnet 5 : coût −18,4 %, Pass@1 +2,6

Une régression, quatre améliorations, et moins cher partout. Ce schéma — moins cher presque partout, qualité à peu près stable ou légèrement meilleure — est la signature d'un outil bien ciblé d'élimination du gaspillage. Il ne rend pas le modèle plus intelligent. Il l'empêche de payer deux fois la même leçon.

A dark laptop keyboard lit only by the glow of the screen

Trois mécanismes, une seule idée

La phrase cadre du README contient toute la thèse : les agents de codage sont conçus pour finir des tâches, pas pour les garder bon marché. À chaque tour, on repaie les instructions de l'agent, chaque outil chargé et la conversation écoulée.

Micro-skills : se souvenir du fonctionnement du dépôt. Les sessions redécouvrent sans cesse les mêmes faits. Une étape de build à lancer en premier. L'orthographe d'une commande qui marche ici. Une variable d'environnement dont une commande a besoin. L'emplacement des fichiers générés. Micro-skills les apprend de deux sources : les échecs qui se répètent d'une session à l'autre, et un modèle qui relit les sessions récentes toutes les trois sessions et propose des faits. Un fait n'est promu dans le contexte qu'après confirmation par trois sessions.

Ce seuil de confirmation est le détail de conception que je préfère. C'est la différence entre un souvenir et une rumeur.

Élagage des outils : cesser d'envoyer des outils que ce dépôt n'utilise jamais. Les agents de codage arrivent avec une large boîte à outils. Un dépôt qui ne touche jamais à un notebook n'a jamais besoin de l'outil notebook, et chaque outil inutilisé est payé à chaque tour. L'élagage les retire via les réglages propres de l'agent, ce qui explique qu'il fonctionne sans que l'agent en sache rien.

Intervention sur les boucles d'échec : remarquer la boucle. La même erreur trois fois déclenche une suggestion d'essayer autre chose. C'est le mécanisme le moins coûteux et probablement le plus précieux, parce que les boucles d'échec sont l'endroit où les agents brûlent le plus d'argent pour le moins de résultat.

Le détail comptable que personne d'autre ne fait

Une ligne de la section « comment ça marche » explique pourquoi le chiffre principal est crédible : la plupart des tokens d'une session sont des relectures mises en cache, le coût est donc calculé au tarif du cache, et il inclut les appels au modèle du plugin lui-même.

C'est une honnêteté rare. Un outil qui annonce des économies tout en facturant ses propres frais généraux hors du calcul fait du marketing, pas de la mesure. Compter les relectures de cache au prix du cache recadre aussi le problème : la partie chère d'une session d'agent n'est pas le token frais, c'est l'accumulation.

L'installer

C'est un plugin pour l'agent que vous utilisez déjà, lancé depuis un clone. Python 3.10 ou plus récent dans le PATH, aucune clé d'API propre, jamais d'accès aux identifiants.

git clone https://github.com/microsoft/TokenEconomizer.git
claude plugin marketplace add "$PWD/TokenEconomizer"
claude plugin install tokeneconomizer@tokeneconomizer

Codex et le Copilot CLI ont des équivalents — codex plugin marketplace add, copilot plugin install — et opencode est aussi pris en charge. Vérifiez ensuite l'état avec /tokeneconomizer:status dans l'agent. Deux notes d'installation comptent : le dossier doit rester là où vous l'avez cloné, parce que le plugin s'exécute depuis le clone, et pour Claude Code il faut lancer /tokeneconomizer:toolprune refresh-catalog une fois par machine, puis à nouveau après chaque mise à jour de Claude Code, parce que le catalogue d'outils dépend de la version.

Dans Codex, il vous sera demandé de faire confiance au dossier, puis d'examiner les hooks. Les hooks prennent effet à la session suivante : quittez et relancez. C'est la partie la moins élégante de l'installation, et elle mérite d'être faite correctement plutôt que cliquée à la va-vite.

Ce qu'il ne fait pas

Il ne change ni le modèle, ni les poids, ni le code de l'agent. C'est tout l'intérêt de le qualifier de boîte noire : tout passe par le contexte au démarrage de session et par les réglages propres de l'agent.

Il ne vous aidera pas sur un dépôt que vous ne touchez qu'une fois. L'économie est explicitement « remboursée au fil des sessions suivantes », ce qui signifie que les deux ou trois premières sessions sont un investissement. Si votre travail ressemble à un dépôt différent chaque semaine, c'est le mauvais outil, et l'article vous donnerait raison.

Et il ne règle pas le problème de qualité. Une combinaison s'est légèrement dégradée. Retirer du gaspillage change ce que l'agent dépense, pas la qualité de sa réflexion, et il n'y a aucune raison d'attendre un repas gratuit sur les deux axes à chaque fois.

Une mise en garde sur la mesure. Faites une semaine de contrôle avant de croire tout cela. Les comptes de tokens dans les sessions d'agent sont bruités, et un dépôt qui connaît une semaine exceptionnellement productive ressemblera à un gain, quel que soit le plugin installé. Comparez le coût par tâche terminée, pas le coût par jour, et gardez la liste des tâches à peu près constante. Les trente cellules de l'article sont un a priori utile, pas un substitut à votre propre référence.

Pourquoi c'est la forme de l'année à venir

Le prix des agents a longtemps été une histoire de baisse du coût des modèles. C'est le mauvais levier pour la plupart des équipes, parce que la facture est dominée par ce que l'agent relit, pas par le prix au token. Une baisse de 25 % obtenue avec un modèle moins cher, c'est agréable ; une baisse de 25 % obtenue en ne redécouvrant plus votre commande de build, c'est structurel, et cela se cumule avec le modèle moins cher au lieu de le concurrencer.

Nous avons passé deux ans à optimiser des prompts. Les chiffres ici suggèrent que les deux prochaines années porteront sur les sessions : ce qui entre dans le contexte, quels outils sont chargés, et quand interrompre une boucle. Rien de tout cela n'exige un meilleur modèle, et c'est exactement pourquoi cela a des chances de fonctionner.

Si vous lancez un agent sur un même dépôt plus de dix fois par mois, installez-le et mesurez votre propre facture pendant une semaine. Le chiffre intéressant n'est pas les 18 à 31 % de l'article. C'est le nombre de vos sessions qui redécouvraient quelque chose que vous saviez déjà.

Articles associés