TIP
← 記事

AI

AIコーディングエージェントのトークン無駄遣いを「経験学習」で削減——Microsoft Researchが「TokenEconomizer」を公開

2026/11/17

AIエージェントが「同じ失敗を繰り返す」問題

AIコーディングエージェントは、バグ修正や機能実装を自律的にこなせるようになった一方で、モデルへの問い合わせのたびにトークンを消費する。現在の多くのエージェントは、毎セッションをゼロから始めるため、以前のセッションで習得したはずの情報を再発見したり、一度も使わないツールをロードしたり、同じ失敗ループを繰り返したりしているとMicrosoft Researchは指摘する。

同研究所はUC BerkeleyおよびMicrosoft Securityと共同で、この問題に対処するオープンソースプラグイン 「TokenEconomizer」 を開発・公開した。

無駄なトークン消費の3類型

研究チームはまず、SWE-Bench(オープンソースPythonプロジェクトの実バグ修正ベンチマーク)から60タスクを選び、Claude Codeで同じリポジトリのタスクを順番に実行してトークン消費を分析した。その結果、以下の3種類の無駄が繰り返し発生していると報告している。

  1. 同じ事実の再発見: リポジトリで5件以上のタスクが蓄積された後、ツール呼び出しの30%が同一リポジトリ内の過去タスクと重複していた(別リポジトリ履歴との重複は7%)。
  2. 使わないツールへの支払い: エージェントは毎ターン23種のツール説明を受け取るが、そのうち16種は一度も呼び出されていなかった。
  3. 失敗ループへの過剰消費: 失敗に終わったタスク(全体の17%)が支出全体の32%を占めていた。

TokenEconomizerの3つの仕組み

TokenEconomizerはセッション終了後にログを読み取り、リポジトリに関する知識を更新する。エージェント本体もその基盤モデルも変更せず、既存のインターフェースのみを通じて以下の3つのメカニズムで動作すると説明されている。

マイクロスキル

リポジトリ固有の知識を一行のメモとして蓄積する機能。複数セッションにまたがる繰り返しパターンを検出し、一定回数確認されると次セッションの初期コンテキストに追加される。後続のセッションで矛盾する証拠が出た場合はメモを削除するため、誤った情報が蓄積されにくい設計となっている。

ツールプルーニング

リポジトリの履歴から「使われなかったツール」を次セッションのロード対象から除外する機能。コマンド実行やファイル編集といったコアツールは常時保持され、必要に応じて除外したツールを復元することも可能だ。

失敗ループへの介入

エージェントが同じ失敗を繰り返しているかどうかをジャッジモデルが判定し、実際にスタックしていると判断した場合は別アプローチを示す短いメモを挿入する。介入後もスタックが続く場合は、処理を強制停止するのではなく開発者にアラートを送る設計となっている。

評価結果:コスト18〜31%削減、成功率は維持

評価には6つのリポジトリから277件のSWE-Benchタスクが使用され、5種類のAIコーディングエージェントとモデルの組み合わせでテストされた。TokenEconomizerはいずれの組み合わせでも、全30のリポジトリ×エージェント組み合わせでコストを最も削減しつつ、タスク成功率(Pass@1)を維持したと報告されている。平均コスト削減率は 18.4〜30.9% に上り、Pass@1は5組み合わせのうち4つで上昇したという。

比較として、モデルの推論負荷を下げる手法でも同等以上のコスト削減は可能だったが、パフォーマンスの大幅な低下を招いたとされている。

また、蓄積効果については「各リポジトリで6件目のタスクまでに累積コストがデフォルトを下回った」と報告されており、序盤の学習コストが一定量あることも明示されている。

さらに、Webアプリ開発タスク(Web-Bench)では 16.0〜21.2% 、セキュリティ監査タスクでは 6.4〜19.6% のコスト削減が報告されている。なおセキュリティ監査では毎タスクが新規リポジトリであるにもかかわらず削減効果が出たという点も特筆される。

開発者への展開

TokenEconomizerはオープンソースとしてGitHubで公開されており、既存のAIコーディングエージェントと並行して動作し、基盤モデルの変更を必要とせず、独自のAPIキーも不要で、学習内容はすべてローカルマシン上に保持されると説明されている。研究チームはコミュニティに対し、「経験を重ねるごとに効率的になるエージェント」の研究に向けた出発点として活用することを呼びかけている。


出典: TokenEconomizer: Learning from Experience to Make AI Coding Agents More Efficient