إضافة TokenEconomizer تخفض تكاليف وكلاء البرمجة بالذكاء الاصطناعي بنسبة 18,4–30,9% دون تغيير النموذج
يعمل وكيل البرمجة في المستودع نفسه أسابيع، لكنه يبدأ كل جلسة من الصفر: يبحث مجددًا عن طريقة تشغيل الاختبارات، ويحمل معه أدوات لا يحتاج إليها. تقرأ إضافة TokenEconomizer سجلات الجلسات السابقة وتزوّد الوكيل بما تعلّمته منها. على 277 إصلاحًا لأخطاء من SWE-Bench انخفضت تكلفة المهمة بنسبة 18,4–30,9%. وبالنسبة إلى الفرق التي تعمل في مستودعات ثابتة، فهذا توفير دون تغيير الوكيل.
معالج بواسطة الذكاء الاصطناعي من Microsoft Research؛ بتحرير Hamidun News
إذا كنتم تشغّلون Claude Code أو وكيل برمجة آخر على المستودع نفسه مرة بعد أخرى، فلعلكم لاحظتم أن كل جلسة جديدة تبدأ وكأن الوكيل يرى المشروع للمرة الأولى. فهو يكتشف من جديد كيف تُشغَّل الاختبارات، ويقرأ الملفات نفسها، ويقع في الأخطاء ذاتها. وكل دورة من هذه الدورات تُدفع بالرموز (tokens)، أي بالمال.
أصدر باحثون من UC Berkeley وMicrosoft Research وMicrosoft Security إضافة مفتوحة المصدر باسم TokenEconomizer، تحلل الجلسات المكتملة وتزوّد الوكيل في الجلسات التالية بما تعلّمته منها. على 277 إصلاحًا حقيقيًا لأخطاء برمجية انخفض متوسط تكلفة المهمة بنسبة 18,4–30,9%، أي نحو خُمس فاتورة الرموز إلى ثلثها. ويبقى الوكيل ونموذجه كما هما، ولم تنخفض نسبة المهام المحلولة إجمالًا.
وإذا كان فريقكم يعمل سنوات في عدة مستودعات ثابتة، فجزء من الفاتورة يذهب إلى أمور كان الوكيل يعرفها بالأمس.
أين تذهب الرموز
بدأ المؤلفون بتحديد أوجه إنفاق الميزانية. شغّلوا Claude Code على 60 مهمة من SWE-Bench (وهي مجموعة إصلاحات أخطاء حقيقية في مشاريع Python مفتوحة المصدر)، ونفّذوا مهام كل مستودع بالتتابع. وتبيّن أن الهدر ينبع من ثلاثة مصادر.
الأول: يعيد الوكيل اكتشاف ما هو معروف أصلًا. فبعد أن تراكمت في المستودع خمس مهام مكتملة على الأقل، كانت 30% من استدعاءات الأدوات تكرر إجراءً سبق تنفيذه في مهمة سابقة في المستودع نفسه. أما مع تاريخ مستودع آخر فلم يتطابق سوى 7%. وهذا يعني أن الخبرة مفيدة على المستوى المحلي تحديدًا، لا بوجه عام.
الثاني: الدفع مقابل أدوات لا تُستخدم. ففي كل خطوة كان يُرسَل إلى الوكيل 23 وصفًا للأدوات، بينما استُدعيت 7 فقط. أما الأدوات الـ16 الباقية فقد ضخّمت الطلب دون فائدة.
الثالث: التعثر. فالمهام الفاشلة، وهي 17% منها، استهلكت 32% من النفقات: يدور الوكيل حول الخطأ نفسه، والرموز تُستهلك.
كما اختبر المؤلفون ثلاث إضافات مفتوحة المصدر شائعة لتوفير النفقات، لكل منها استراتيجية ثابتة مدمجة فيها. وقد خفّضت كل واحدة منها النفقات في بعض الحالات ولم تفعل ذلك في أخرى. والخلاصة أنه لا توجد وصفة واحدة، وأن التوفير يجب أن يتكيّف مع المستودع المحدد.
كيف تعمل الإضافة
بعد كل جلسة يقرأ TokenEconomizer السجل ويحدّث معرفته بالمستودع. ثم تعمل ثلاث آليات، وكلها عبر واجهات متاحة لدى الوكيل أصلًا.
- المهارات المصغّرة. ملاحظات قصيرة من سطر واحد، مثل «تُشغَّل الاختبارات هنا بهذه الطريقة». لا تدخل الملاحظة في سياق البداية إلا بعد أن تؤكد عدة جلسات النمط. وإذا ظهرت لاحقًا بيانات تناقضها، تُزال الملاحظة.
- تقليم الأدوات. تزيل الإضافة الأدوات التي يُرجَّح، بحسب تاريخ المستودع، ألا يحتاج إليها الوكيل. أما الأدوات الأساسية (تشغيل الأوامر وتعديل الملفات) فتبقى دائمًا، ويمكن إعادة الأدوات المحذوفة.
- التدخل عند الدوران في حلقة مفرغة. يقرر نموذج حَكَم منفصل هل تعثّر الوكيل فعلًا أم لا يزال يتقدم. فإذا تعثّر، تُرسَل إليه تلميحة قصيرة بتجربة نهج آخر. وإذا لم يتغير شيء حتى بعدها، فإن الإضافة في النسخة المفتوحة لا توقف العمل من تلقاء نفسها، بل تنبّه المطوّر.
لا تتطلب الإضافة مفتاح API خاصًا بها، وتحتفظ بما تعلّمته على جهاز المطوّر. ويأخذ التوفير المعلن في الحسبان تكلفة استدعاءاتها هي للنموذج.
ماذا أظهرت القياسات
أُجري الاختبار على 277 مهمة من SWE-Bench في ستة مستودعات، مع خمس تركيبات من الوكيل والنموذج. وفي كل مستودع بدأت الإضافة دون أي تاريخ. انخفض متوسط تكلفة المهمة بنسبة 18,4–30,9%، وارتفع Pass@1 (نسبة المهام المحلولة من المحاولة الأولى) في أربع من أصل خمس تركيبات. ومن بين الأساليب التي لا تُضعف الجودة، وفّرت الإضافة أكثر من غيرها في جميع الأزواج الـ30 «مستودع — تركيبة». وللمقارنة: التخفيض البسيط لعمق استدلال النموذج وفّر القدر نفسه أو أكثر، لكنه أضعف النتيجة بوضوح.
يتراكم التوفير تدريجيًا. فقد تكلّف المهام الأولى أكثر حتى، ما دامت الإضافة في طور التعلم، لكن بحلول المهمة السادسة تصبح التكاليف التراكمية أقل من خط الأساس في كل مستودع. وكل آلية من الآليات الثلاث تحقق مكسبًا منفردة، ومجتمعةً تحقق أقصى أثر.
واستمر الأثر خارج إصلاح الأخطاء. ففي Web-Bench، الذي يقوم على تطوير ويب متسلسل، انخفضت التكاليف بنسبة 16,0–21,2%. وفي تدقيق الأمان، حيث تُنفَّذ كل مهمة في مستودع جديد ولا توجد خبرة متراكمة، كانت التكلفة أقل بنسبة 6,4–19,6% رغم ذلك.
ما العمل بهذا
تُثبَّت الإضافة إلى جانب الوكيل المعتاد، لذا فتجربتها قليلة الكلفة. لكن هناك تحفظات. فهذا مشروع بحثي، والأرقام الرئيسية مستمدة من اختبارات معيارية لإصلاح أخطاء Python تختلف عن قواعد الشيفرة الإنتاجية. ولا يظهر المكسب منذ المهمة الأولى، بل بعد تراكم التاريخ، لذا فلن تقدّم الإضافة الكثير في التجارب لمرة واحدة. وقبل اعتمادها في الفريق، من الأفضل قياس النفقات على مستودعكم قبل تثبيتها وبعده.
- 18 نوفمبر 2026خمسة نماذج ذكاء اصطناعي أمام خطأ برمجي واحد: اثنان أصلحاه وثلاثة أفسدت أكثر
- 18 نوفمبر 2026Qwen على جهازي DGX Spark أسرع بنسبة 34–59% في عدد التوكنات في الثانية ويتفوق على GLM
- 18 نوفمبر 2026مطوّر يمنح دردشة الويب مع الذكاء الاصطناعي «أيدي»: خادم MCP بـ14 أداة و21 ألف سطر
- 18 نوفمبر 2026Claude Code كان يحفظ كلمات المرور من الأوامر: أسرار في 1,1% من ملفات الإعدادات على GitHub
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول أين تذهب الرموز؟
بدأ المؤلفون بتحديد أوجه إنفاق الميزانية. شغّلوا Claude Code على 60 مهمة من SWE-Bench (وهي مجموعة إصلاحات أخطاء حقيقية في مشاريع Python مفتوحة المصدر)، ونفّذوا مهام كل مستودع بالتتابع. وتبيّن أن الهدر ينبع من ثلاثة مصادر. الأول: يعيد الوكيل اكتشاف ما هو معروف أصلًا. فبعد أن تراكمت في المستودع خمس مهام مكتملة على الأقل، كانت 30% من استدعاءات الأدوات تكرر إجراءً سبق تنفيذه في مهمة سابقة في المستودع نفسه. أما مع تاريخ مستودع آخر فلم يتطابق سوى 7%. وهذا يعني أن الخبرة مفيدة على المستوى المحلي تحديدًا، لا بوجه عام.
ما أبرز التفاصيل حول كيف تعمل الإضافة؟
بعد كل جلسة يقرأ TokenEconomizer السجل ويحدّث معرفته بالمستودع. ثم تعمل ثلاث آليات، وكلها عبر واجهات متاحة لدى الوكيل أصلًا. المهارات المصغّرة. ملاحظات قصيرة من سطر واحد، مثل «تُشغَّل الاختبارات هنا بهذه الطريقة». لا تدخل الملاحظة في سياق البداية إلا بعد أن تؤكد عدة جلسات النمط. وإذا ظهرت لاحقًا بيانات تناقضها، تُزال الملاحظة. تقليم الأدوات. تزيل الإضافة الأدوات التي يُرجَّح، بحسب تاريخ المستودع، ألا يحتاج إليها الوكيل. أما الأدوات الأساسية (تشغيل الأوامر وتعديل الملفات) فتبقى دائمًا، ويمكن إعادة الأدوات المحذوفة.
ما أبرز التفاصيل حول ماذا أظهرت القياسات؟
أُجري الاختبار على 277 مهمة من SWE-Bench في ستة مستودعات، مع خمس تركيبات من الوكيل والنموذج. وفي كل مستودع بدأت الإضافة دون أي تاريخ. انخفض متوسط تكلفة المهمة بنسبة 18,4–30,9%، وارتفع Pass@1 (نسبة المهام المحلولة من المحاولة الأولى) في أربع من أصل خمس تركيبات. ومن بين الأساليب التي لا تُضعف الجودة، وفّرت الإضافة أكثر من غيرها في جميع الأزواج الـ30 «مستودع — تركيبة». وللمقارنة: التخفيض البسيط لعمق استدلال النموذج وفّر القدر نفسه أو أكثر، لكنه أضعف النتيجة بوضوح. يتراكم التوفير تدريجيًا.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.