Microsoft TokenEconomizer: Kodlama Ajanlarında Maliyeti Yüzde 31'e Kadar Düşüren Açık Kaynak Eklenti
Yazar: KOZBA
İçindekiler
Microsoft Research, Microsoft Security ve UC Berkeley'den araştırmacılar, kodlama ajanlarının token maliyetini düşüren açık kaynak bir eklenti yayınladı: TokenEconomizer. Apache 2.0 lisanslı proje, Claude Code, Codex, GitHub Copilot CLI ve Pi ile çalışıyor; topluluk eklentileriyle OpenCode ve Grok tarafında da kullanılabiliyor.
Projenin ölçümü net: SWE-Bench görevlerinde beş ajan-model kombinasyonunda ortalama maliyet yüzde 18,4 ile yüzde 30,9 arasında düşüyor. 30 depo-kombinasyon hücresinin tamamında daha ucuz, beş kombinasyonun dördünde Pass@1 skoru daha yüksek. Repo, yayına girdiğinden bu yana 5.700'ün üzerinde yıldız topladı.
Çözdüğü sorun: ajan aynı hatayı tekrar tekrar öğreniyor
Bir kodlama ajanı aynı depoda çalışırken her oturumda aynı bilgileri yeniden keşfediyor. Test komutunun tam hâli, ortam değişkenleri, üretilen dosyaların nerede durduğu... Bunlar token olarak ödeniyor. Üstelik her istekte yüklenen araç tanımları, hiç kullanılmasa bile bağlamı şişiriyor. Bir de klasik döngü var: ajan aynı hatayı üç kez alıp aynı çözümü deniyor.
TokenEconomizer, modeli, model ağırlıklarını ya da ajanın kodunu değiştirmeden bu üç israf kalemine müdahale ediyor. Yaklaşım "kara kutu" olarak tanımlanıyor: ajanın kendi oturum geçmişinden öğreniyor.
Üç mekanizma
1. Micro-skills: depo nasıl çalışıyor, hatırla
Sistem, oturumlar arasında tekrar eden başarısızlıklardan ve her üç oturumda bir yakın geçmişi gözden geçiren bir modelden "mikro beceriler" çıkarıyor. Örneğin pytest çalışmadığı yerde python -m pytest kullanılması gerektiği, hangi ortam değişkeninin şart olduğu, üretilen dosyaların nerede tutulduğu gibi bilgiler.
Bir bilgi, üç oturumda doğrulandıktan sonra sonraki oturumların başında ajanın bağlamına ekleniyor; sonraki oturumlar bunu çürütürse düşürülüyor. Bu, "ajanın kendi not defteri" gibi çalışan ama otomatik yönetilen bir katman.
2. Tool pruning: kullanılmayan araçları yükleme
Her yüklenen aracın tanımı, her istekte gönderiliyor. Bir depoda hiç kullanılmayan araç, sadece bağlam maliyeti. TokenEconomizer, belirli eşikleri aşan kullanımsızlıkta (10 istem boyunca ve en az 2 oturumda, ya da 5 oturumda) o aracı ajanın kendi ayarları üzerinden devre dışı bırakıyor. Geri getirmek tek komut.
3. Failure-loop müdahalesi: döngüyü kır
Ajan aynı hatayı tekrar tekrar alıyorsa, sistem araya girip farklı bir yol denemesini öneriyor. Basit görünen bu müdahale, pratikte en pahalı israf kalemini kesiyor: sonsuz deneme döngüsü.
Ölçülen sonuçlar
- Claude Code + Sonnet 5: maliyet yüzde 23,6 düşük, Pass@1 +1,3
- Claude Code + Opus 4.8: maliyet yüzde 30,9 düşük, Pass@1 -1,0
- Codex + GPT-5.6 Terra: maliyet yüzde 24,7 düşük, Pass@1 +0,9
- Codex + GPT-5.6 Sol: maliyet yüzde 26,1 düşük, Pass@1 +1,6
- Copilot CLI + Sonnet 5: maliyet yüzde 18,4 düşük, Pass@1 +2,6
Dikkat edilmesi gereken satır Opus 4.8: maliyet yüzde 30,9 düşerken Pass@1 1,0 puan geriliyor. Yani her durumda bedava kazanç yok; en pahalı modelde tasarruf, kaliteden küçük bir ödünle geliyor. Diğer dört kombinasyonda ise hem maliyet düşüyor hem başarı artıyor.
Kimler için anlamlı?
Kazanç, aynı depoda sık çalışan ekiplerde birikiyor. Tek seferlik bir script yazdıracaksanız eklentinin öğrenecek oturumu olmaz; maliyet farkı da ölçülemez. Buna karşılık haftalarca aynı kod tabanında ajan çalıştıran bir ekip için üç mekanizmanın hepsi devreye giriyor.
Türkiye'deki ekipler için pratik değeri şurada: kodlama ajanı maliyeti çoğu yerde sabit abonelik değil, token bazlı. Aynı işi yüzde 20-25 daha ucuza yapmak, ajanı daha çok işe koşmayı mümkün kılıyor.
Kurulum
Kurulum, ajanın kendi eklenti pazarı üzerinden yapılıyor. Claude Code için repoyu klonlayıp pazar yeri olarak eklemek ve claude plugin install tokeneconomizer@tokeneconomizer komutunu çalıştırmak yeterli. Codex, Copilot CLI ve Pi için de benzer komutlar README'de yer alıyor. Python 3.10 ve üzeri gerekiyor.
Sınırlar
- Ölçümler SWE-Bench görevlerinde; sizin deponuzdaki gerçek kazanç farklı olabilir.
- Mikro beceriler yanlış öğrenirse bağlamı kirletebilir; proje üç oturumda doğrulama ve çürütme mekanizmasıyla bunu sınırlıyor.
- Araç devre dışı bırakma agresif yapılandırılırsa ihtiyaç duyulan bir araç kapanabilir; geri alma kolay olsa da fark edilmesi gerekir.
Sonuç
TokenEconomizer, kodlama ajanlarında maliyet optimizasyonunun model değiştirmekten ibaret olmadığını gösteriyor. Aynı model, aynı ajan, aynı görevler; sadece daha az israfla. Ölçülen yüzde 18-31 aralığı, orta ölçekli bir ekip için aylık faturada ciddi bir kalem. Denemesi ücretsiz, riski geri alınabilir; bu yüzden ajan kullanan her ekip için makul bir ilk deneme.