आर्टिफिशियल इंटेलिजेंस

TokenEconomizer प्लगइन पिछले सत्रों के अनुभव का उपयोग करके AI कोडिंग एजेंट्स को अधिक कुशल बनाने का लक्ष्य रखता है

· GlobeWire Daily Editorial Desk · Source: www.microsoft.com

3 मिनट में पढ़ें

मुख्य बातेंUC बर्कले, माइक्रोसॉफ्ट रिसर्च और माइक्रोसॉफ्ट सिक्योरिटी के शोधकर्ताओं ने TokenEconomizer नामक एक ओपन-सोर्स प्लगइन पेश किया है, जिसे एक ही रिपॉजिटरी में पिछले सत्रों से सीखकर AI कोडिंग एजेंट्स की टोकन लागत को कम करने के लिए डिज़ाइन किया गया है। एक हालिया तकनीकी ब्लॉग पोस्ट के अनुसार, यह प्लगइन अंतlying एजेंट या उसके मॉडल को संशोधित किए बिना काम करता है।
TokenEconomizer Plugin Aims to Make AI Coding Agents More Efficient Using Past Session Experience

चित्र: Brenda Potts · चित्र स्रोत · Resized and letterboxed to 16:9; no AI generation

UC बर्कले, माइक्रोसॉफ्ट रिसर्च और माइक्रोसॉफ्ट सिक्योरिटी के शोधकर्ताओं ने TokenEconomizer नामक एक ओपन-सोर्स प्लगइन पेश किया है, जिसे एक ही रिपॉजिटरी में पिछले सत्रों से सीखकर AI कोडिंग एजेंट्स की टोकन लागत को कम करने के लिए डिज़ाइन किया गया है। एक हालिया तकनीकी ब्लॉग पोस्ट के अनुसार, यह प्लगइन अंतlying एजेंट या उसके मॉडल को संशोधित किए बिना काम करता है।

लागत नियंत्रण की आवश्यकता को समझना

AI कोडिंग एजेंट अक्सर डेवलपर्स को बग ठीक करने और सुविधाओं को विकसित करने में सहायता करते हैं, लेकिन प्रत्येक इंटरैक्शन निर्देश, टूल विवरण और सत्र इतिहास प्रसारित करके मॉडल टोकन की खपत करता है। एक ही रिपॉजिटरी में बार-बार काम करते समय, एजेंट अक्सर नए सिरे से शुरुआत करते हैं, जिससे निम्नलिखित अक्षमताएं होती हैं:

  • तथ्यों को दोबारा खोजना: एक ही रिपॉजिटरी में पहले के कार्यों में किए गए टूल कॉल और कार्रवाइयों को दोहराना।
  • अप्रयुक्त टूल्स: ऐसे टूल्स के विवरण को प्रोसेस करना जिन्हें सत्र के दौरान कभी कॉल नहीं किया जाता है।
  • विफलता के चक्र: बिना किसी प्रगति के उन्हीं त्रुटियों को दोहराने में महत्वपूर्ण मोड़ और धन खर्च करना।

TokenEconomizer कैसे काम करता है

TokenEconomizer प्रत्येक पूर्ण कार्य के बाद सत्र लॉग पढ़ता है और तीन मुख्य तंत्रों का उपयोग करके रिपॉजिटरी की अपनी समझ को अपडेट करता है:

  • माइक्रो-स्किल्स: आवर्ती पैटर्न के आधार पर रिपॉजिटरी-विशिष्ट वन-लाइन नोट्स प्रस्तावित करता है, और कई सत्रों द्वारा पैटर्न की पुष्टि होने के बाद ही उन्हें शुरुआती संदर्भ में जोड़ता है।
  • टूल छंटाई: उन टूल्स को हटा देता है जिनके बारे में ऐतिहासिक डेटा बताता है कि उनके उपयोग की संभावना कम है, जबकि मुख्य संपादन और कमांड निष्पादन टूल्स को सुरक्षित रखता है।
  • विफलता-चक्र हस्तक्षेप: लगातार विफलताओं की निगरानी करता है, और यदि एजेंट फंस जाता है तो वैकल्पिक दृष्टिकोण का सुझाव देने के लिए एक जज मॉडल का उपयोग करता है।

मूल्यांकित प्रदर्शन और बचत

छह रिपॉजिटरी और पांच AI कोडिंग एजेंट-मॉडल संयोजनों का उपयोग करने वाले 277 SWE-Bench कार्यों के मूल्यांकन में, TokenEconomizer ने 18.4% से 30.9% तक की लागत में कमी दर्ज की। अनुभव बढ़ने के साथ छठे कार्य तक संचयी लागत डिफ़ॉल्ट स्तर से नीचे आ गई। Web-Bench और सुरक्षा ऑडिटिंग कार्यों पर किए गए अतिरिक्त परीक्षणों में भी 6.4% से 21.2% के बीच लागत में कमी दिखाई दी।

व्यावहारिक निहितार्थ और सत्यापन

यह ओपन-सोर्स प्लगइन डेवलपर की मशीन पर मौजूदा टूल्स के साथ चलता है और इसके लिए किसी अलग API कुंजी की आवश्यकता नहीं होती है। डेवलपर्स और शोधकर्ता निष्कर्षों को सत्यापित करने, कार्यप्रणाली के विवरण की जांच करने और ओपन-सोर्स रिपॉजिटरी तक पहुंचने के लिए माइक्रोसॉफ्ट रिसर्च ब्लॉग पर मूल घोषणा और शोध पत्र की समीक्षा कर सकते हैं।

यह खबर शेयर करें
मूल स्रोत पढ़ें: TokenEconomizer: Learning from Experience to Make AI Coding Agents More Efficient

AI की सहायता से तैयार रिपोर्ट; मूल स्रोत के दावों की स्वतंत्र पुष्टि नहीं की गई है।

लेखक के बारे में

GlobeWire Daily Editorial Desk — प्रकाशित स्रोतों पर आधारित AI-सहायता प्राप्त खबरें।

और पढ़ें