Что такое ИИ-агент с памятью: плагин Microsoft и Berkeley сократил расходы до 30,9%
Исследователи UC Berkeley и Microsoft выпустили TokenEconomizer, открытый плагин против лишних трат ИИ-агентов для программирования, которые каждый день начинают в знакомом коде с нуля, и снизили расходы на величину от 18,4 до 30,9%.

Экономию здесь считают по накопленному опыту в конкретном проекте, а не по одной задаче. По словам авторов, большинство прежних попыток сократить расходы работали именно с отдельными задачами. Расходы снизились во всех шести проверенных проектах.
Что такое ИИ-агент? Это программа на базе нейросети, которая сама выполняет цепочку действий: читает код, запускает команды, правит файлы. Каждое обращение агента к модели расходует токены (единицы текста, за которые списывается оплата), и до сих пор агент в каждой новой сессии начинал с чистого листа.
TokenEconomizer, общий проект UC Berkeley, Microsoft Research и Microsoft Security, превращает завершённые сессии в подсказки для следующих. Агента и модель под ним плагин не меняет. Подробности изложены в научной статье исследователей TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents.
| Что | Когда | Кто выпустил | Цена |
|---|---|---|---|
| TokenEconomizer, открытый плагин для ИИ-агентов, пишущих код | Дату релиза источник не называет | UC Berkeley, Microsoft Research, Microsoft Security | Открытый код, собственный ключ API не нужен, цену не называют |
Куда утекают токены?
Сначала авторы проследили за агентом Claude Code на 60 задачах из SWE-Bench. Это набор реальных исправлений ошибок в открытых проектах на Python. Задачи каждого проекта шли подряд, и три вида потерь повторялись раз за разом:
- Повтор известного. Когда в проекте набиралось не меньше пяти решённых задач, 30% вызовов инструментов повторяли действие из прошлой задачи в том же проекте. Совпадений с историей других проектов было лишь 7%.
- Оплата лишних инструментов. На каждом шаге агент получал описания 23 инструментов, 16 из них он ни разу не вызвал.
- Застревание на ошибках. Неудачными оказались 17% задач, но на них пришлось 32% расходов.
Исследователи также проверили три популярных открытых плагина, каждый со своей постоянной стратегией экономии. В одних проектах они снижали расходы, в других нет. Отсюда вывод авторов: экономия должна подстраиваться под конкретный проект.
Что нового умеет TokenEconomizer?
После каждой сессии плагин читает её журнал и обновляет свои знания о проекте. Дальше он работает тремя способами и использует только те возможности, которые у агента уже есть:
- Микронавыки. Это однострочные заметки о проекте вроде «как здесь запускать тесты». Заметка попадает в стартовый набор агента, только если её подтвердили несколько сессий. Если новые данные ей противоречат, она удаляется.
- Обрезка инструментов. Плагин убирает инструменты, которые агенту в этом проекте вряд ли понадобятся. Базовые инструменты для запуска команд и правки файлов остаются всегда, а убранные можно вернуть.
- Выход из тупика. Отдельная модель-судья (нейросеть, которая оценивает ход работы) решает, застрял агент или ещё продвигается. Застрявшему агенту приходит короткая подсказка сменить подход. Если и она не помогла, плагин предупреждает разработчика, а работу сам не останавливает.
В заявленную экономию авторы включили и стоимость обращений самого плагина к модели.
Расходы упали во всех шести проектах
Проверка шла на 277 задачах SWE-Bench из шести проектов. Авторы взяли пять разных связок «агент плюс модель», и в каждом проекте плагин стартовал без истории. Средние расходы снизились на величину от 18,4 до 30,9%, без потери качества во всех 30 парах «проект плюс связка».
Для сравнения: снижение уровня рассуждений модели экономило столько же или больше, но заметно ухудшало результат. Первые задачи с плагином могут стоить дороже, пока он учится. Однако к шестой задаче общий расход опускался ниже обычного в каждом проекте.
Каждый из трёх механизмов экономит и сам по себе, а вместе они дают наибольшее снижение. На Web-Bench, тесте последовательной веб-разработки, расходы упали на величину от 16 до 21,2%. При аудите безопасности экономия составила от 6,4 до 19,6%. Это показательная деталь: там каждая задача была в новом проекте, то есть накопленного опыта у плагина не было.
Цифры получены в тестах самих авторов, на исправлении ошибок в Python и веб-разработке. Из агентов источник называет по имени только Claude Code, остальные четыре связки не перечислены. Порядок установки, точные требования и доступность из России в материале не описаны.
Как попробовать плагин?
- Найдите проект по названию TokenEconomizer. Прямой ссылки на код в исходном материале нет, авторы лишь сообщают, что плагин открытый.
- Подключите его к агенту, которым уже пользуетесь. Плагин работает рядом с агентом, модель не меняет и не требует собственного ключа API (пропуска для подключения к сервису модели).
- Дайте ему поработать в одном проекте. По данным авторов, общий расход опускается ниже обычного к шестой задаче.
- Следите за предупреждениями. Если агент застрянет, плагин сообщит вам, а решение останется за вами.
Есть ли российский аналог?
Отечественного аналога TokenEconomizer источник не называет. Из доступных в РФ языковых моделей можно назвать YandexGPT и GigaChat, но тестировали ли плагин с ними, авторы не сообщают. Свои знания плагин хранит на компьютере разработчика, и для компаний, которые не хотят выносить сведения о проекте наружу, это практичный плюс.
Что делать с этим прямо сейчас, по ролям
Автору Дзена. У темы «что такое ИИ-агент и почему он дорогой» теперь есть цифры: 17% неудачных задач съели 32% бюджета. Такая цифра хорошо держит текст о том, как не переплачивать за нейросети.
Маркетологу. Если команда платит за токены агентов, сверьте расходы по проектам. Повторяющиеся задачи в одном и том же месте и есть зона, где опыт агента экономит деньги.
Предпринимателю РФ и СНГ. Сам плагин открытый и работает локально. Но прежде чем закладывать экономию в бюджет, проверьте, доступен ли вам агент, к которому вы его подключите.
На мой взгляд, ценность здесь не в коде, а в принципе: агент ведёт конспект и перестаёт платить за то, что уже знает. Оговорка честная: это тесты авторов на своих наборах задач, независимых проверок пока нет. Что сделать сегодня, даже без программирования: заведите себе «микронавыки». Это пять строк о том, что сработало в прошлых промптах (так называют запросы к нейросети). Вставляйте их в начало каждого нового запроса.
Какие вопросы задают чаще всего?
Нужно ли уметь программировать, чтобы пользоваться плагином?
Да, плагин рассчитан на разработчиков, которые работают с ИИ-агентами в коде. Сама идея пригодится всем: короткие заметки о том, что уже проверено, экономят время и запросы в любой нейросети.
Не станет ли агент работать хуже?
По данным авторов, доля успешно решённых задач в целом не изменилась. Хуже стало как раз при другом способе экономии, когда модели урезали уровень рассуждений.
Куда уходят сведения о моём проекте?
По словам авторов, всё, что плагин узнаёт, остаётся на компьютере разработчика. Если вы годами откладывали ИИ-агентов из-за цены, начните с одного проекта и посчитайте расход после шестой задачи.

Основатель dzen.guru. Эксперт по монетизации и продвижению на Дзен. Автор курса «Старт на Дзен 2026».
Читайте также

MLPerf впервые проверил ИИ-агентов: тензорные процессоры Google справились за 18 минут
Google Cloud опубликовала 10 результатов в раунде тестов MLPerf Training v6.1, где впервые появилось испытание на обучение ИИ-агентов, и тензорные процессоры…
ИИ в Google Maps пришёл в 30 стран Европы: карта планирует поездку по вопросу
Google выводит Ask Maps, ИИ-помощника в Google Maps на моделях Gemini, в более чем 30 стран Европы, и поездку по европейскому городу теперь можно планировать…

Google Поиск сам оформляет бронь отеля и следит за билетами: 4 сценария к праздникам
Google перед сезоном праздников, когда списки дел длиннее всего, показала четыре способа переложить хлопоты на свой поиск: от спасения испорченной глазури до…
Комментарии