Microsoft lança ferramenta para reduzir custos de agentes de código com IA

O TokenEconomizer é um plugin desenvolvido por pesquisadores da Microsoft e da Universidade da Califórnia em Berkeley (UC Berkeley) para reduzir os custos operacionais de agentes de programação baseados em IA, como Claude Code, Codex e GitHub Copilot CLI. O projeto, que está em alta no ranking diário do Trendshift (7ª posição em 31 de outubro de 2026), resolve um problema comum: o desperdício de tokens em sessões repetitivas, onde os modelos reaprendem informações já conhecidas ou utilizam ferramentas desnecessárias.

Dados rápidos

• Repositório: microsoft/TokenEconomizer
• Licença: Apache-2.0
• Linguagem: Python
• Estrelas: 2.351 (399 no período)
• Forks: 135
• Data da consulta: 2026-10-31

O problema que resolve

Agentes de IA para desenvolvimento de software, como os citados acima, frequentemete executam tarefas repetitivas em um mesmo repositório. A cada nova sessão, eles podem gastar tokens — unidades de processamento que impactam diretamente no custo — redescobrindo informações já conhecidas, como comandos específicos do projeto, variáveis de ambiente ou passos de build. Além disso, carregam ferramentas que nunca são usadas ou ficam presas em loops de falhas, aumentando o gasto desnecessário.

O TokenEconomizer propõe uma solução baseada em experiência: ele aprende com as sessões anteriores no mesmo repositório para evitar esse desperdício. Segundo testes em tarefas do SWE-Bench, a ferramenta reduziu o custo médio entre 18,4% e 30,9% em cinco combinações de agente-modelo, sendo mais barata em todas as 30 células de repositório × combinação analisadas.

Como funciona

O plugin atua por meio de três mecanismos principais:

1. Micro-habilidades: armazena fatos recorrentes sobre o repositório, como comandos específicos (python -m pytest em vez de pytest) ou variáveis de ambiente necessárias. Esses fatos são aprendidos a partir de falhas repetidas ou propostos por um modelo que revisa as sessões a cada k sessões (padrão: 3). Um fato é aplicado após ser confirmado em três sessões e descartado se contradito posteriormentes.

1. Podas de ferramentas: identifica ferramentas que não são usadas ao longo de p prompts em pelo menos m sessões (padrão: 10 prompts, 2 sessões) ou em s sessões (padrão: 5) e as remove das próximas sessões. O usuário pode reativá-las com um comando simples.

1. Intervenção em loops de falha: detecta quando uma sessão está presas em erros repetidos. Um modelo "juiz" avalia se o agente está em loop (com confiança mínima de 70%) e sugere um redirecionamento para uma abordagem alternativa, adicionado ao contexto do agente.

O TokenEconomizer é compatível com Claude Code, Codex, GitHub Copilot CLI e Pi, com suporte experimental para opencode. Todas as ações são anunciadas em uma linha, e, caso alguma parte falhe, a sessão continua normalmente, como se o plugin não estivesse instalado. Os dados aprendidos ficam armazenados localmente em ~/.tokeneconomizer.

Instalação e uso

A instalação é simples e segue o padrão de plugins para os agentes suportados. No README, não há um comando de instalação direto, mas o projeto indica que o plugin deve ser integrado como uma extensão nos agentes compatíveis. Os usuários podem ajustar os parâmetros dos três mecanismos (como k, p, m, s, c e r) conforme suas necessidades.

Casos de uso

• Reaproveitamento de conhecimento: em um repositório onde o comando npx tsc é necessário para compilar TypeScript, o TokenEconomizer aprende essa informação após algumas sessões e a aplica automaticamente nas próximas, evitando tentativas com tsc isolado.
• Redução de ferramentas: se um agente nunca usa o navegador ou o notebook em um projeto, o plugin remove essas ferramentas das sessões seguintes, reduzindo o custo de cada request.
• Quebra de loops: se um agente fica presas em um erro de sintaxe repetido, o plugin identifica o padrão e sugere uma correção ou abordagem alternativa.
• Otimização em auditorias de segurança: o projeto também foi testado em benchmarks de auditoria de segurança, onde cada tarefa está em um novo repositório, demonstrando redução de custos mesmo em cenários menos repetitivos.
• Melhoria em métricas de sucesso: em 4 das 5 combinações de agente-modelo testadas, o Pass@1 (métrica que mede se a tarefa foi concluída com sucesso na primeira tentativa) aumentou, além da redução de custos.

Diferenciais

Diferente de soluções que exigem modificações no código do agente, o TokenEconomizer atua como um plugin externo, sem alterar o funcionamento interno dos modelos. Além disso, ele é transparente: todas as ações são registradas e o usuário pode desativar qualquer mecanismo. A abordagem baseada em experiência local (sem envio de dados para a nuvem) também é um ponto de destaque em relação a alternativas que dependem de servidores centralizados.

Limitações e cuidados

O projeto é recente (criado em 13 de outubro de 2026) e está na versão 0.1.0, o que indica maturidade inicial. A licença Apache-2.0 permite uso comercial, mas a responsabilidade por falhas ou impactos em ambientes de produção é do usuário. Não há informações sobre dependências específicas ou requisitos de hardware além do Python 3.10+. A homepage oficial não foi informada no repositório, mas há um link para a página do projeto em tokeneconomizer.github.io.

Resumo rápido

• Projeto: TokenEconomizer
• Licença: Apache-2.0
• Linguagem: Python
• Estrelas: 2.351
• Ranking: Trendshift (diário: #7)
• Risco principal: maturidade inicial (versão 0.1.0)

Fontes

• Repositório GitHub
• Release v0.1.0
• Página do projeto
• Trendshift