同じ失敗に二度払わない、TokenEconomizer

見覚えのある請求書がある。毎日同じリポジトリでコーディングエージェントを動かしている。テストにはpytestではなくpython -m pytestが必要だと毎回学び直す。一度も呼ばないブラウザツールを読み込む。同じエラーに3回続けて当たり、同じ修正を4回試し、それから詰まったと言ってくる。
どれもモデルの問題ではない。記憶の問題であり、Microsoft Research、UC Berkeley、Microsoft SecurityによるTokenEconomizerは、モデルに一切触れずにそこを攻める。
何を測ったか
論文(arXiv 2610.22732)はSWE-Benchのタスクで、5つのエージェント・モデル組み合わせ全体の平均コストが18.4%から30.9%下がったと報告している。30のリポジトリ×組み合わせの全セルで安くなった。Pass@1は5つのうち4つで上がった。
組み合わせ別の数字をよく読むべきだ。どこから節約が出ているかが見える。
- Claude Code + Sonnet 5:コスト −23.6%、Pass@1 +1.3
- Claude Code + Opus 4.8:コスト −30.9%、Pass@1 −1.0
- Codex + GPT-5.6 Terra:コスト −24.7%、Pass@1 +0.9
- Codex + GPT-5.6 Sol:コスト −26.1%、Pass@1 +1.6
- Copilot CLI + Sonnet 5:コスト −18.4%、Pass@1 +2.6
退行が1つ、改善が4つ、すべて安い。ほぼどこでも安く、品質はほぼ横ばいからわずかに上。よく狙われた無駄取りツールとはそういうものだ。モデルを賢くしているのではない。同じ授業料を二度払うのを止めている。

3つの仕組み、1つの考え
READMEの枠組みの一文がテーゼそのものだ。コーディングエージェントはタスクを終えるために作られており、安く保つためには作られていない。毎ターン、エージェントへの指示、読み込んだツール、これまでの会話に払い直している。
マイクロスキル:リポジトリの動き方を覚える。セッションは同じ事実を何度も再発見する。先に走らせる必要のあるビルド手順。ここで通るコマンドの綴り。コマンドが必要とする環境変数。生成物が置かれる場所。マイクロスキルは2つの源からこれらを学ぶ。セッションをまたいで繰り返す失敗と、3セッションごとに最近のセッションをレビューして事実を提案するモデルだ。事実がコンテキストに昇格するのは、3つのセッションが確認した後だけ。
この確認のしきい値が、私が最も気に入っている設計の細部だ。記憶と噂の違いはそこにある。
ツールの間引き:このリポジトリが使わないツールを送らない。コーディングエージェントは大きなツールセットを携えて出荷される。ノートブックに触れないリポジトリにノートブックツールは要らず、使わないツールは毎ターン課金される。ツールの間引きはエージェント自身の設定を通じてそれらを外す。だからエージェントが何も知らないまま機能する。
失敗ループへの介入:ループに気づく。同じエラーが3回続くと、別のアプローチを試すよう促す。最も安い仕組みで、おそらく最も価値がある。失敗ループはエージェントが最も少ない成果のために最も金を燃やす場所だからだ。
誰もやらない会計の細部
「仕組み」の節の一行が、見出しの数字が信頼できる理由を説明している。セッション内のトークンの大半はキャッシュの再読み込みなので、コストはキャッシュ価格で計算され、プラグイン自身のモデル呼び出しも含まれる。
これは珍しい正直さだ。自分のオーバーヘッドを会計の外で請求しながら節約を報告するツールは、計測ではなくマーケティングである。キャッシュ再読み込みをキャッシュ価格で数えることは、問題の見方も変える。エージェントセッションで高いのは新しいトークンではなく、蓄積だ。
インストール
すでに使っているエージェント向けのプラグインで、クローンから動かす。PATHにPython 3.10以降。独自のAPIキーは不要で、認証情報には一切触れない。
git clone https://github.com/microsoft/TokenEconomizer.git
claude plugin marketplace add "$PWD/TokenEconomizer"
claude plugin install tokeneconomizer@tokeneconomizer
CodexとCopilot CLIにも同等のものがある。codex plugin marketplace add、copilot plugin install。opencodeもサポートされている。そのあとエージェント内で/tokeneconomizer:statusを実行して状態を確認する。セットアップの注意が2つある。プラグインはクローンから動くのでフォルダはクローンした場所に置いたままにすること。Claude Codeでは/tokeneconomizer:toolprune refresh-catalogをマシンごとに1回、Claude Codeの更新後にもう一度走らせる必要がある。ツールカタログがバージョン依存だからだ。
Codexではフォルダを信頼し、フックをレビューするよう求められる。フックは次のセッションから有効なので、終了して再起動する。インストールで最も洗練されていない部分であり、クリックで流すよりきちんとやる価値がある。
やらないこと
モデル、重み、エージェントのコードは変えない。ブラックボックスと呼ぶ理由がそこにある。すべてはセッション開始時のコンテキストとエージェント自身の設定を通じて起きる。
一度しか触らないリポジトリでは役に立たない。経済性は明示的に「後続のセッションで回収される」もので、最初の2〜3セッションは投資になる。仕事が毎週違うリポジトリなら、これは間違ったツールであり、論文もそう言うだろう。
品質の問題も解決しない。1つの組み合わせはわずかに悪くなった。無駄を除くことはエージェントが使う額を変えるが、考えの良さは変えない。両方の軸でいつも無料の昼食が期待できる理由はない。
計測についての注意が1つ。これを信じる前に、対照の週を回すこと。エージェントセッションのトークン数はノイズが多く、異常に生産的な週のリポジトリは、どのプラグインを入れてもコスト改善に見える。1日あたりのコストではなく完了タスクあたりのコストで比べ、タスクリストはほぼ一定に保つ。論文の30セルは有用な事前分布であって、自分のベースラインの代わりではない。
なぜこれが来年の形なのか
エージェントの価格はモデルコストが下がる話だった。ほとんどのチームにとってそれは間違ったレバーだ。請求額はトークン単価ではなく、エージェントがどれだけ読み直すかに支配されている。安いモデルで25%削るのは悪くない。ビルドコマンドを再発見しないことで25%削るのは構造的で、安いモデルと競合せず複利で効く。
私たちは2年間プロンプトを最適化してきた。ここの数字は、次の2年がセッションの最適化になることを示している。何がコンテキストに入るか、どのツールが読み込まれるか、いつループを中断するか。どれも良いモデルを必要としない。だからこそ機能する見込みが高い。
1つのリポジトリで月に10回以上エージェントを動かしているなら、入れて1週間自分の請求額を測ること。面白い数字は論文の18〜31%ではない。あなたのセッションのうち何回が、すでに知っていた何かを再発見していたかだ。
関連記事
中国製 Android のシステム UI に載った広告を切る、コミュニティ管理のタップ表
システムには触らず、アンロックも書き込みもしない。ベンダーがもともと用意したスイッチを一つずつ倒すだけだ。代償は、この一覧を書き続ける人が要ることにある。
GPT Image 2.6 はトークン単価を据え置き、請求額を上げた
GPT Image 2.6 は 2.5 のトークン単価をすべて引き継ぎながら、1 枚あたりの費用は上がった。仕事の多くが出力トークン側に移ったからだ。11 日目の価格構造は、ランキングより多くを語る。
外から IDM を作り直した人が、触れなかった部分を書き残した
Mister Download Manager は Internet Download Manager の流れを Rust で作り直し、5 倍の速度と 86 言語を掲げる。より興味深いのは、何もコピーせずにどう作ったのかを説明した段落のほうだ。
Rune はエージェントが自分の仕事を検証できるように作られた Rust UI フレームワーク
Rune はヘッドレスで描画し、要素ツリーを出力し、スクリプト化された入力を受け付ける。スクリーンショットでは決して得られない、diff できる信号をコーディングエージェントに渡せる。フレームワークはプレリリースで、プルリクエストは受け付けない。