論文の概要: TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents
- arxiv url: http://arxiv.org/abs/2610.22732v1
- Date: Thu, 15 Oct 2026 23:06:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.694873
- Title: TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents
- Title（参考訳）: TokenEconomizer: コーディングエージェントのエクスペリエンス駆動型ブラックボックスコスト制御
- Abstract要約: TokenEconomizerは環境固有のトークンコストをタスク列で削減するコントローラである。
Claude Code、Codex、GitHub Copilot CLIとフロンティアモデルを組み合わせることで、TokenEconomizerは平均トークンコストを18.4～30.9%削減し、タスクの成功に匹敵する。
- 参考スコア（独自算出の注目度）: 55.689621132509394
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advances in frontier coding agents have sharply increased the token costs of AI-assisted software engineering. Their token efficiency is typically evaluated on isolated tasks, whereas real-world developers use them to continuously build, update, and maintain large-scale projects. This mismatch motivates us to evaluate agents over sequences of realistic coding tasks, where we find that agents exhibit recurring environment-dependent token costs that existing methods struggle to reduce. To minimize these costs, we introduce TokenEconomizer, an external controller that cuts environment-specific token costs over a sequence of tasks. These cuts come from determining (i) which operational micro-skills to inject, (ii) which persistently irrelevant tools to prune, and (iii) when to intervene in unproductive failure loops. Across Claude Code, Codex, and GitHub Copilot CLI paired with frontier models, TokenEconomizer reduces the average token cost by 18.4-30.9% with comparable task success. Savings hold in every repository under every tested agent-model setting and generalize to diverse domains such as sequential web development and security auditing, where costs fall by 6.4-21.2% depending on task structure. Our work establishes adaptive black-box cost control as a promising direction for reducing token costs of coding agents in realistic settings.
- Abstract（参考訳）: 最先端のコーディングエージェントの進歩は、AI支援ソフトウェアエンジニアリングのトークンコストを劇的に高めている。
トークンの効率は通常、独立したタスクで評価されるのに対して、現実の開発者は、大規模プロジェクトの継続的ビルド、更新、メンテナンスにそれを使用している。
このミスマッチは、エージェントを現実的なコーディングタスクのシーケンスよりも評価する動機となり、エージェントが環境に依存したトークンコストを繰り返すことで、既存のメソッドが減少に苦慮していることがわかった。
これらのコストを最小限に抑えるため、タスクのシーケンスで環境固有のトークンコストを削減する外部コントローラであるTokenEconomizerを導入する。
これらのカットは決定から来ます
一 マイクロスキルの注入を行うもの
(二)断続的に無関係な道具、及び
三 非生産的障害ループに介入する時。
Claude Code、Codex、GitHub Copilot CLIとフロンティアモデルを組み合わせることで、TokenEconomizerは平均トークンコストを18.4～30.9%削減し、タスクの成功に匹敵する。
テスト対象のエージェントモデル設定のすべてのリポジトリに保存され、シーケンシャルなWeb開発やセキュリティ監査といったさまざまなドメインに一般化される。
我々の研究は、現実的な環境下でのコーディングエージェントのトークンコストを低減するための有望な方向として、適応的なブラックボックスコスト制御を確立している。
関連論文リスト
- Analyzing and Mitigating Cost-Inefficient Behaviors in Coding Agents [14.861968433466316]
我々はClaude CodeとMini-SWE-Agentから1200のトラジェクトリを解析した。
提案手法は,推定検索,類似スクリプト生成,テスト再実行の3つのコスト非効率動作を同定する。
次に,構造認識検索,エージェント合成スキル,開発者設計スキルの3つの緩和戦略を評価する。
論文 参考訳（メタデータ） (2026-09-25T02:54:18Z) - Can your AI agent be cheaper? Investigating the effects of task specifications on token spend in agentic coding tasks [0.0]
我々は,3つの思考活動において,異なるタスク仕様がK3モデルを用いたエージェントトークン支出に与える影響について検討した。
完全なタスク仕様を裸のユーザストーリーにすると、トークンの費用が29.7%上昇するのに対して、実行時から実行時までの分散は、迅速な変更の影響を受けないままである。
論文 参考訳（メタデータ） (2026-08-26T05:58:12Z) - Task-to-Model Optimization for Enterprise LLM Coding Assistants: A Data-Driven Framework for Cost-Optimal Routing [5.00725149774706]
エンタープライズAIコーディングアシスタントは、相当な推論費用を発生させ、トークンコストの最小化は、再試行、エスカレーション、開発者待ち時間を含むと、エンドツーエンドコストの削減に失敗することが多い。
実運用におけるモデル選択を最適化するためのデータ駆動手法であるタスク・ツー・モデル最適化(T2MO)を提案する。
私たちは、各開発者セッションを、発見、分類、難易度を評価、プロダクション風のハーネスでベンチマークし、品質とレイテンシの制約の中でそれを完了できる最も安価なモデルにルーティングできるタスクとして扱います。
論文 参考訳（メタデータ） (2026-08-09T06:57:53Z) - Agentic AI Systems Should Be Designed as Marginal Token Allocators [2.629665653283008]
エージェントAIシステムは,電子トークン割り当て経済として設計・評価されるべきである,と我々は主張する。
これら4つの層がいずれも,Emphsame 1次条件を解決していることを示す。
論文 参考訳（メタデータ） (2026-05-02T03:06:02Z) - Conformal Thinking: Risk Control for Reasoning on a Compute Budget [60.65072883773352]
大規模言語モデル(LLM)の推論により、トークンの予算が増加するにつれて、データセットレベルの精度が向上する。
我々は、予算設定問題をリスクコントロールとして再設定し、計算を最小化しながらエラー率を制限する。
我々のフレームワークは、モデルが自信のあるときに推論を停止する上位しきい値と、未解決のインスタンスを事前に停止させる新しい下位しきい値を導入する。
論文 参考訳（メタデータ） (2026-02-03T18:17:22Z) - Tokenomics: Quantifying Where Tokens Are Used in Agentic Software Engineering [4.812321790984494]
SDLC(Software Development Life Cycle)におけるLCM-MAシステムにおけるトークン消費パターンの分析を行う。
GPT-5推論モデルを用いて、ChatDevフレームワークによって実行される30のソフトウェア開発タスクの実行トレースを分析する。
予備的な結果は、反復コードレビューの段階が平均59.4%のトークン消費の大多数を占めていることを示している。
論文 参考訳（メタデータ） (2026-01-20T20:52:14Z) - CITER: Collaborative Inference for Efficient Large Language Model Decoding with Token-Level Routing [74.14816777318033]
Token-lEvel Routing(CITER)との協調推論は、小規模および大規模言語モデルの効率的な協調を可能にするフレームワークである。
ルータの学習をポリシー最適化として定式化し、予測の質と生成の推論コストの両方に基づいて報酬を受け取る。
実験の結果,CITERは高品質な生成を保ちながら推論コストを低減し,リアルタイムおよびリソース制約のあるアプリケーションに対して有望なソリューションを提供することがわかった。
論文 参考訳（メタデータ） (2025-02-04T03:36:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。