Microsoft lança o TokenEconomizer: agentes de programação gastam 18,4–30,9% menos
Um agente de programação aprende o projeto do zero a cada sessão e carrega descrições de ferramentas que não usa, e você paga por esses tokens. O plugin gratuito TokenEconomizer, da Microsoft, guarda fatos sobre o projeto e deixa de carregar o que sobra. No SWE-Bench, em que os agentes corrigem bugs reais, o custo caiu 18,4–30,9% em cinco combinações de agentes e modelos. Se você costuma esbarrar nos limites de uso, vale testar o plugin no seu próprio repositório.
Processado por IA de X: @TechScopeAR; editado por Hamidun News
Quem trabalha com frequência com agentes de programação conhece a sensação: o limite do plano acaba no meio da semana, e a fatura da API cresce mais rápido do que o número de tarefas concluídas. Uma parte relevante dos gastos é repetição: o agente abre uma nova sessão e precisa descobrir de novo como o projeto é organizado, onde ficam os testes e qual gerenciador de pacotes é usado. Além disso, ele carrega descrições de ferramentas que você não precisa.
Tudo isso é pago em tokens, ou seja, pedaços de texto que o provedor do modelo contabiliza. A Microsoft publicou em código aberto o plugin gratuito TokenEconomizer, que elimina justamente essas repetições. Segundo os autores, no SWE-Bench, um teste conhecido em que agentes corrigem bugs reais de projetos open source, o custo de operação caiu 18,4–30,9%.
Em termos simples: a cada 100 dólares gastos, saem 18 a 31 dólares a menos para as mesmas tarefas.
O que o TokenEconomizer faz
Trata-se de um plugin de código aberto. Ele é compatível com Claude Code, Codex, Copilot CLI e Pi, ou seja, não está preso a um único ecossistema. O subtítulo do repositório no GitHub é "Experience-Driven Black-Box Cost Control for Coding Agents", que pode ser traduzido como "controle de custo de agentes de programação baseado em experiência acumulada". A expressão "caixa-preta" indica que a ferramenta opera por fora e não exige reescrever o próprio agente.
A ideia se apoia em três mecanismos descritos no projeto:
- O plugin aprende com sessões anteriores no seu projeto e registra informações sobre ele. O agente não precisa redescobri-las a cada vez.
- Ele deixa de carregar definições de ferramentas que você não usa. Cada definição ocupa espaço no contexto e é cobrada em todas as requisições.
- Como resultado, cada requisição consome menos tokens.
Uma comparação do dia a dia: um novo funcionário, a cada reunião matinal, pede que alguém explique de novo onde fica cada coisa no repositório. Você pode pagar por essas explicações repetidamente ou entregar a ele anotações. O TokenEconomizer tenta manter essas anotações automaticamente.
O que as medições mostraram
Os autores apresentam resultados no SWE-Bench. O custo caiu 18,4–30,9% em cinco configurações diferentes de agentes e modelos. A variação é grande: em uma combinação a economia fica abaixo de um quinto, em outra chega a quase um terço. Ou seja, o ganho concreto depende do agente e do modelo que você usa.
Para dar uma noção de escala: se uma equipe gasta, por exemplo, 1.000 dólares por mês com agentes, uma economia de 18–31% representa cerca de 180 a 310 dólares a menos para as mesmas tarefas. Para um desenvolvedor individual em plano de assinatura, o benefício se traduz de outra forma: o limite é consumido mais devagar e é possível trabalhar por mais tempo sem interrupção.
Limitações e o que fazer
Há algumas ressalvas importantes. Primeiro, os números foram publicados pelos próprios autores, e ainda não há verificações independentes. Segundo, o SWE-Bench consiste em corrigir bugs em repositórios conhecidos. Um monorepo fechado, com build não convencional, pode apresentar resultado diferente. Terceiro, a descrição disponível não deixa claro como o "conhecimento" é armazenado: onde ficam as anotações, como são atualizadas e o que acontece quando o projeto muda muito. Uma memória desatualizada pode ser pior do que nenhuma memória, então vale acompanhar esse ponto.
Conclusão prática:
- Se você esbarra nos limites do Claude Code, do Codex ou do Copilot CLI, instale o plugin em um projeto não estratégico e compare o consumo de tokens da semana com o de costume.
- Acompanhe também a qualidade, não só o custo: a taxa de tarefas resolvidas não deve cair. Economia que custa erros não vale nada.
- Confira no repositório quais dados o plugin salva sobre o projeto. Para código comercial, isso é uma questão de política de segurança.
- Se você tem muitos servidores MCP e ferramentas conectadas, o efeito de descartar definições desnecessárias provavelmente será mais perceptível.
A notícia também é representativa por si só: o custo de trabalhar com agentes de programação está se tornando, aos poucos, uma tarefa de engenharia própria. Antes, o problema era resolvido escolhendo um modelo mais barato. Agora surgem ferramentas que economizam no contexto repetitivo, sem trocar o modelo nem o agente. Para equipes em que a conta de tokens já é uma linha relevante do orçamento, vale incluir esse tipo de verificação na avaliação rotineira de ferramentas.
- 21 de nov. de 2026Falha da Microsoft: quase 83 mil reclamações sobre o Outlook no Downdetector, Teams e Copilot também fora do ar
- 21 de nov. de 2026No MLPerf Training, pela primeira vez, aparecem Nvidia Rubin e TPU Ironwood: 153 sistemas
- 21 de nov. de 2026Microsoft transforma o Copilot em "sistema operacional do trabalho": Word e Excel viram plugins do agente
- 21 de nov. de 2026Google vai separar o armazenamento de chats do treinamento do Gemini: dá para recusar sem perder o histórico
Perguntas frequentes sobre a notícia
O que o TokenEconomizer faz?
Trata-se de um plugin de código aberto. Ele é compatível com Claude Code, Codex, Copilot CLI e Pi, ou seja, não está preso a um único ecossistema. O subtítulo do repositório no GitHub é "Experience-Driven Black-Box Cost Control for Coding Agents", que pode ser traduzido como "controle de custo de agentes de programação baseado em experiência acumulada". A expressão "caixa-preta" indica que a ferramenta opera por fora e não exige reescrever o próprio agente.
O que as medições mostraram?
Os autores apresentam resultados no SWE-Bench. O custo caiu 18,4–30,9% em cinco configurações diferentes de agentes e modelos. A variação é grande: em uma combinação a economia fica abaixo de um quinto, em outra chega a quase um terço. Ou seja, o ganho concreto depende do agente e do modelo que você usa. Para dar uma noção de escala: se uma equipe gasta, por exemplo, 1.000 dólares por mês com agentes, uma economia de 18–31% representa cerca de 180 a 310 dólares a menos para as mesmas tarefas.
O que se sabe sobre Limitações e o que fazer?
Há algumas ressalvas importantes. Primeiro, os números foram publicados pelos próprios autores, e ainda não há verificações independentes. Segundo, o SWE-Bench consiste em corrigir bugs em repositórios conhecidos. Um monorepo fechado, com build não convencional, pode apresentar resultado diferente. Terceiro, a descrição disponível não deixa claro como o "conhecimento" é armazenado: onde ficam as anotações, como são atualizadas e o que acontece quando o projeto muda muito.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.