จำงานเก่าเพื่อลดสิ่งที่ทำซ้ำ
TokenEconomizer คือปลั๊กอินโอเพนซอร์สที่ควบคุมค่าใช้จ่ายของ Coding Agent โดยเรียนรู้จากร่องรอยการทำงานที่สำเร็จในแต่ละรีโพ แล้วนำบทเรียนไปลดการค้นหาซ้ำ การโหลดเครื่องมือที่ไม่ใช้ และลูปความล้มเหลวในงานถัดไป โดยไม่แก้ตัวโมเดลหรือโค้ดของเอเจนต์ นักวิจัยจาก Microsoft Research, Microsoft Security และ UC Berkeley เปิดตัวรุ่น 0.1.0 เมื่อ 26 ตุลาคม 2026 ภายใต้สัญญาอนุญาต Apache-2.0 รองรับ Claude Code, Codex, GitHub Copilot CLI และ Pi แนวทางนี้น่าสนใจเพราะค่าใช้จ่าย AI Agent ไม่ได้มาจากงานที่ทำสำเร็จเท่านั้น แต่ยังเกิดซ้ำทุกเทิร์นจากพรอมป์ต์ระบบ รายการคำอธิบายเครื่องมือ และประวัติการสนทนาที่ส่งเข้าโมเดลด้วย เมื่อเซสชันก่อนหน้าสอนให้ระบบรู้วิธีทดสอบหรือเครื่องมือที่จำเป็น เซสชันใหม่ก็มีโอกาสใช้บริบทและทรัพยากรน้อยลง
กลไกมีสามส่วน ได้แก่ micro-skills ที่จดจำข้อเท็จจริงของรีโพเมื่อผ่านการยืนยันจากหลายเซสชัน การตัดเครื่องมือที่ไม่ได้ใช้ และตัวตรวจจับลูปที่ช่วยชี้ให้เอเจนต์เปลี่ยนแนวทาง จุดเด่นจึงไม่ใช่การบีบข้อความแบบเดียวใช้ได้ทุกที่ แต่เป็นการปรับตามประวัติของรีโพนั้น อย่างไรก็ดี ผลประหยัดย่อมขึ้นกับการทำงานซ้ำในรีโพเดิม ทีมที่สลับโปรเจกต์ตลอดอาจได้ประโยชน์น้อยกว่า
ตัวเลขทดลองดี แต่ไม่ใช่คำรับประกัน
งานทดสอบใช้ 277 งานจาก SWE-Bench ครอบคลุม 6 รีโพและ 5 คู่เอเจนต์กับโมเดล โดยนับทั้งราคาแคชและการเรียกโมเดลที่ปลั๊กอินใช้เอง ผลรายงานว่าลดค่าใช้จ่ายเฉลี่ยได้ 18.4–30.9% และต้นทุนลดลงครบทั้ง 30 ช่องที่เกิดจากการจับคู่รีโพกับชุดทดสอบ ตัวเลขนี้ทำให้ TokenEconomizer ลดต้นทุนเป็นข้อเสนอที่น่าจับตา แต่ควรอ่านว่าเป็นผลจากชุดทดลอง ไม่ใช่เปอร์เซ็นต์ที่ผู้ใช้ทุกคนจะได้รับเสมอไป
| การตั้งค่า | ต้นทุนลดลง | การเปลี่ยนแปลง Pass@1 |
|---|---|---|
| Claude Code กับ Opus 4.8 | 30.9% | ลดลง 1.0 จุด |
| Codex กับ GPT-5.6 Sol | 26.1% | เพิ่มขึ้น 1.6 จุด |
| Codex กับ GPT-5.6 Terra | 24.7% | เพิ่มขึ้น 0.9 จุด |
| Claude Code กับ Sonnet 5 | 23.6% | เพิ่มขึ้น 1.3 จุด |
| Copilot CLI กับ Sonnet 5 | 18.4% | เพิ่มขึ้น 2.6 จุด |
ภาพรวม Pass@1 ดีขึ้นใน 4 จาก 5 การตั้งค่า แต่ผลของ Claude Code กับ Opus 4.8 ลดลง 1.0 จุด จึงไม่ควรแลกความแม่นยำกับต้นทุนโดยไม่ตรวจงานของตัวเอง ที่สำคัญ ตัวเลขทั้งหมดมาจากทีมผู้สร้างและยังไม่มีผู้ทดสอบอิสระมายืนยัน ส่วนผลจากเครื่องมือประหยัดแบบคงที่ก็ไม่สม่ำเสมอ บางวิธีลดต้นทุนในรีโพหนึ่งแต่เพิ่มในอีกรีโพหนึ่ง
ค่าเริ่มต้นไม่ใช่ชุดที่ทำตัวเลขสูงสุด
ความต่างที่ต้องรู้ก่อนติดตั้งคือการทดลองใช้กลไกทั้งสาม แต่ค่าเริ่มต้นของปลั๊กอินเปิด tool pruning กับ loop guard เท่านั้น ส่วน micro-skills ถูกปิดเพราะต้องเรียกโมเดลเพิ่ม ขั้นตอนนี้อาจช่วยลดต้นทุนจากการส่งเครื่องมือที่ไม่จำเป็นและการทำงานติดลูป แต่ไม่ใช่การตั้งค่าเดียวกับที่รองรับตัวเลข 18.4–30.9% ในงานวิจัย จึงไม่ควรนำเปอร์เซ็นต์พาดหัวไปคาดหวังกับค่าตั้งต้นโดยตรง
เมื่อลองแยกกลไกใน Claude Code การตัดเครื่องมือช่วยลดต้นทุน 13.2–17.7% ส่วน micro-skills ช่วยลดได้ 11.8–14.3% ตัวเลขเหล่านี้เป็นผลตามการตั้งค่าและรีโพที่ทดสอบ ไม่ใช่ผลรับรองว่าจะนำมาบวกกันได้ในงานจริง การเลือกเปิด micro-skills จึงควรชั่งระหว่างค่าเรียกโมเดลที่เพิ่มกับประโยชน์จากการจำข้อเท็จจริงของรีโพ หากงานของทีมต้องทำซ้ำในโค้ดชุดเดิมและมีคำสั่งทดสอบเฉพาะ การจดจำอาจคุ้มกว่าโปรเจกต์ที่เปลี่ยนไปเรื่อย ๆ
ทดลองอย่างมีขอบเขต ก่อนเชื่อว่าประหยัด
ข้อควรระวังไม่ได้มีแค่เรื่อง micro-skills รุ่นของเครื่องมือก็สำคัญเช่นกัน เอกสารระบุช่วงรุ่นที่ทดสอบสำหรับ Claude Code และ Codex ซึ่งเก่ากว่ารุ่นล่าสุดที่มีอยู่ ณ วันที่ 31 ตุลาคม 2026 จึงควรตรวจความเข้ากันได้ก่อนติดตั้ง อีกทั้ง tool pruning ปรับการตั้งค่าของเอเจนต์ ผู้ใช้ควรรู้วิธีคืนเครื่องมือที่ถูกซ่อนกลับมาก่อนเริ่มทดลอง
- เริ่มกับรีโพที่ทีมใช้เป็นประจำ เพื่อให้มีเซสชันเดิมเป็นข้อมูลเรียนรู้
- ตรวจสถานะและบันทึกต้นทุนกับคุณภาพงานก่อนและหลังเปิดปลั๊กอิน
- ยืนยันว่าเครื่องมือที่ถูกตัดยังเรียกคืนได้ และรู้วิธีกลับสู่การตั้งค่าเดิม
- เปรียบเทียบผลตามงานจริงก่อนเปิด micro-skills หรือขยายไปทุกรีโพ
ข้อสรุปคือ TokenEconomizer เป็นปลั๊กอิน Coding Agent ที่มีแนวคิดตรงจุดและผลทดลองน่าสนใจ โดยเฉพาะทีมที่ทำงานซ้ำในรีโพเดิม แต่การลดโทเคน Coding Agent ไม่ได้เกิดจากการติดตั้งอย่างเดียว ค่าเริ่มต้นยังขาด micro-skills และข้อมูลประสิทธิภาพยังมาจากผู้พัฒนาเอง ทางเลือกที่รอบคอบคือทดลองในรีโพประจำ วัดทั้งต้นทุนและความสำเร็จ แล้วค่อยตัดสินใจว่าจะเปิดกลไกเพิ่มหรือไม่ ในระยะยาว หากการจำบริบทข้ามเซสชันและการจัดการเครื่องมือพิสูจน์ผลได้ ผู้ผลิตเอเจนต์อาจรวมความสามารถลักษณะนี้ไว้ในผลิตภัณฑ์โดยตรง






