Claude Wastes Tokens…Microsoft Fixed It!
Quick Summary
Microsoft 등이 공개한 Token Economizer는 프로젝트 재학습·불필요한 도구·오류 반복을 줄여 Claude Code의 토큰 낭비를 낮추는 도구로 소개된다.
영상 보기
클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론
Microsoft 등이 공개한 Token Economizer는 프로젝트 재학습·불필요한 도구·오류 반복을 줄여 Claude Code의 토큰 낭비를 낮추는 도구로 소개된다.
📌 핵심 요점
- 영상은 Microsoft Research와 UC Berkeley가 공개한 무료 오픈소스 도구 Token Economizer를 소개한다. 핵심은 에이전트가 같은 프로젝트에서 이미 알아낸 내용을 반복해서 탐색하는 비용을 줄이는 것이다.
- 절감 장치는 세 가지다. 마이크로 스킬은 프로젝트 지식을 기억하고, 도구 프루닝은 사용하지 않는 도구를 요청에서 제외하며, 루프 가드는 같은 오류를 반복할 때 다른 접근을 권한다.
- 영상이 인용한 Microsoft 실험은 6개 프로젝트의 277개 작업과 5개 에이전트·모델 조합을 대상으로 했다. 조합별 토큰 사용량은 18~31% 줄었고, 5개 조합 중 4개에서 작업 성공도 늘었다고 설명한다.
- 발표자의 별도 실험에서는 쇼핑몰과 보고서 제작 프로젝트의 총 16개 작업을 기능 활성화 전후로 비교했다. 모두 테스트를 통과했고, 읽은 토큰은 각각 약 25%, 12%, 합산 약 18% 감소했다고 보고한다.
- 프로젝트 기억을 담당하는 마이크로 스킬은 기본적으로 꺼져 있어 별도 활성화가 필요하다. 같은 프로젝트에서 여러 세션을 진행한 뒤 학습한 사실과 제외할 도구를 확인하는 것이 영상의 핵심 실행 제안이다.
🧩 배경과 문제 정의
영상은 Claude Code 같은 코딩 에이전트가 새 세션마다 프로젝트의 테스트 명령, 필요한 설정, 중요한 파일 위치를 다시 찾는 과정에서 사용 한도를 소모한다는 문제를 제기한다. 여기에 쓰지 않는 도구 정보가 요청마다 전달되는 비용과 같은 오류를 반복하는 비용이 더해진다는 설명이다.
Token Economizer는 이 세 가지 낭비를 각각 프로젝트 기억, 도구 프루닝, 루프 가드로 줄이는 도구로 소개된다. 영상은 작동 원리와 인용 실험, 발표자의 별도 실험, 설치 및 점검 방법을 설명하며, 중간과 후반에는 발표자의 AI Profit Boardroom 서비스 홍보가 포함된다.
🕒 시간순 섹션별 상세정리
1. 사용 한도를 소모하는 세 가지 누수
- 도입부는 프로젝트를 반복해서 배우는 비용을 줄이는 무료 도구로 Token Economizer를 소개하고, 발표자가 쇼핑몰과 고객 보고서 프로젝트에서 직접 시험했다고 예고한다. [00:49]
- Microsoft Research와 UC Berkeley가 GitHub에 무료 오픈소스로 공개했다고 보여준다. Claude Code와 전사상 Codeex 등 여러 에이전트를 지원하며, 일부 환경은 초기 지원 단계라고 덧붙인다. [01:38]
- 새 세션마다 명령·설정·파일 위치를 다시 찾고 오류를 수정하는 과정을 사용 한도가 새는 모래시계에 비유한다. 해결 대상은 재학습, 불필요한 도구, 반복 오류다. [02:27]
2. 마이크로 스킬로 프로젝트 지식 축적
- 마이크로 스킬은 세션에서 반복해서 확인되는 프로젝트 사실을 기록한다. 같은 테스트 명령처럼 세 세션에서 일치한 사실을 새 세션 시작 시 에이전트에 제공한다고 보여준다. [02:53]
- 이후 세션에서 틀린 것으로 드러난 사실은 제거한다. 기억을 축적하면서도 잘못된 정보를 계속 유지하지 않도록 설계됐다는 설명이다. [03:03]
3. 도구 프루닝으로 요청의 부담 축소
- 사용하지 않는 도구도 매 요청에 함께 전달되면 토큰을 소모한다는 문제를 제시한다. 도구 프루닝은 프로젝트별 실제 도구 사용을 집계한다. [03:30]
- 영상은 두 세션에 걸친 10개 메시지 또는 다섯 세션 전체에서 사용하지 않은 도구를 다음 요청에서 제외한다고 보여준다. 필요하면 명령으로 복원할 수 있다. [03:40]
4. 루프 가드로 반복 오류에 개입
- 같은 오류와 같은 수정 시도가 반복될 때 별도 점검을 수행하고, 에이전트가 막혔을 확신이 70% 이상이면 다른 방법을 시도하라는 짧은 안내를 넣는다고 보여준다. [04:10]
- 안내는 턴마다 한 번만 제공하며 에이전트를 자동으로 중단하지 않는다. 이후에도 막혀 있으면 사용자에게 알리고 판단을 맡긴다. [04:29]
5. 인용 실험 결과와 로컬 저장 설명
- Microsoft가 6개 프로젝트의 277개 코딩 작업을 5개 에이전트·모델 조합으로 시험했다고 전해진다. 모든 조합에서 사용량이 18~31% 줄었고, 30개 프로젝트·에이전트 쌍에서도 모두 감소했다고 보여준다. [04:57]
- 5개 조합 중 4개에서는 성공한 작업도 늘었다고 강조한다. 학습 내용은 사용자 컴퓨터의 폴더에 저장되며 새 계정이나 추가 키 없이 기존 에이전트와 요금제를 사용한다고 보여준다. [05:26]
- 이어 AI Profit Boardroom의 설치 안내, 공유 기억을 제공한다는 Agent OS, 로드맵과 코칭을 홍보한다. 이 구간은 실험 결과 설명과 구분되는 서비스 소개다. [06:25]
6. 쇼핑몰과 보고서 프로젝트의 비교 실험
- 발표자는 아웃도어 쇼핑몰과 월간 SEO 보고서 제작 프로젝트를 구성한다. 쇼핑몰에는 실행 전 설정, 상품 목록 선행 생성, 특정 테스트 명령 같은 제약을 넣었다고 보여준다. [07:04]
- 프로젝트별 8개씩 총 16개 작업을 같은 모델과 순서로 수행하고, Token Economizer를 끈 경우와 켠 경우를 비교했다. 양쪽 모두 모든 작업이 테스트를 통과했다고 보고한다. [07:54]
- 읽은 토큰은 쇼핑몰에서 약 25%, 보고서 프로젝트에서 약 12%, 합산 약 18% 줄었다고 보여준다. 발표자도 16개 작업의 소규모 결과라는 한계를 언급한다. [08:26]
7. 실제로 학습한 지식과 제외한 도구
- 쇼핑몰의 테스트 명령은 세 번의 관찰이 일치해 확정됐고, 보고서 프로젝트의 두 가지 사실은 확정까지 한 세션이 더 필요한 상태였다고 보여준다. 전사된 명령 문자열은 정확성 확인이 필요하다. [08:54]
- 두 프로젝트 모두 사용하지 않은 도구 18개를 제외했다고 보여준다. 예시로 일정 관리, 워크트리, 알림 도구를 든다. [09:06]
- 작업이 단순해 루프 가드는 개입하지 않았다. 발표자는 이러한 결과가 사용자의 직접 입력 없이 작업 관찰을 통해 만들어졌다고 강조한다. [09:25]
8. 기억 기능 활성화와 에이전트별 설치
- 마이크로 스킬은 기본적으로 꺼져 있고, 도구 프루닝과 루프 가드는 켜져 있다고 보여준다. 기억 기능을 직접 활성화하면 다음 세션부터 학습하며, 전역 적용 옵션도 있다고 안내한다. [09:57]
- Python과 지원 에이전트를 준비한 뒤 저장소 복제, 플러그인 등록·설치, 상태 확인을 진행하는 흐름이다. Claude Code의 도구 카탈로그 갱신과 Codeex의 훅 검토·재시작도 설명하지만, 정확한 명령 표기는 별도 확인이 필요하다. [11:01]
- Grock Build와 Hermes는 초기 지원으로 기억과 루프 가드를 제공하지만 도구 프루닝은 아직 없다고 보여준다. 설치 폴더를 삭제하면 작동하지 않으며, 도구에 문제가 생겨도 에이전트 세션은 계속된다고 주장한다. [11:33]
9. 상태 확인과 변경 되돌리기
- 상태 조회로 학습한 세션 수, 전달할 사실, 제외할 도구, 루프 가드 개입 횟수를 확인할 수 있다고 보여준다. [11:59]
- 마이크로 스킬 조회는 확정된 사실과 후보 사실을 보여주고, 도구 프루닝 조회는 제외 예정 도구와 미사용 근거를 보여준다. [12:22]
- 제외한 도구는 복원할 수 있으며 각 기능을 개별적으로 끌 수도 있다고 안내한다. 사용자가 동작을 확인하고 되돌릴 수 있다는 점을 강조한다. [12:41]
10. 반복 업무의 활용성과 효과의 조건
- 상품 정보·고객 이메일을 다루는 쇼핑몰, 정기 고객 보고서, 같은 프로젝트에서 만드는 콘텐츠를 활용 사례로 든다. 같은 환경을 반복해서 사용할수록 프로젝트 지식을 재사용할 기회가 많다는 설명이다. [13:55]
- 기존 방식의 반복 탐색·도구 전달·오류 루프와 개선된 방식을 비교한다. 품질 우려에는 5개 조합 중 4개에서 성공 작업이 늘었다는 실험과 지식 확정·도구 제외 조건을 다시 제시한다. [15:23]
- 설치에는 터미널 사용이 필요하다고 인정한다. 새 프로젝트만 사용할 때는 학습 여지가 작지만, 인용 실험에서는 그런 조건에서도 6~20% 덜 사용했다고 덧붙인다. [16:12]
11. 이번 주 실행 순서와 최종 정리
- 가장 자주 쓰는 에이전트에 설치하고, 마이크로 스킬을 활성화한 뒤, 대표 프로젝트에서 3~4개 세션을 진행하고 상태를 확인하라는 네 단계 실행안을 제시한다. [17:02]
- AI Profit Boardroom의 설치 지원, Agent OS, 코칭, 로드맵과 자료를 다시 홍보한다. 여러 에이전트의 공유 기억에 관한 설명은 해당 서비스 소개에 포함된다. [17:48]
- 마지막으로 프로젝트 기억·도구 프루닝·루프 가드와 18~31% 절감 주장을 재정리한다. 마이크로 스킬을 직접 켜야 한다고 재차 강조하고, 재학습과 오류 반복 중 어느 쪽이 한도를 더 낭비하는지 묻으며 마무리한다. [18:33]
🧾 결론
- 영상의 해법은 프롬프트를 짧게 만드는 데 그치지 않고, 프로젝트 탐색과 도구 전달, 오류 반복에서 발생하는 낭비를 줄이는 것이다.
- 반복해서 사용하는 프로젝트일수록 기억을 축적할 기회가 많다. 매번 새로운 프로젝트를 여는 경우에는 상대적으로 효과가 작을 수 있다고 설명한다.
- 토큰 절감과 작업 품질을 함께 평가해야 한다. 영상의 실험 결과는 유망하지만, 모든 프로젝트에서 같은 절감률이나 성공률 향상을 보장하지는 않는다.
📈 투자·시사 포인트
- AI 에이전트의 경제성을 평가할 때 모델 자체뿐 아니라 프로젝트 기억과 도구 관리 같은 운영 방식도 살펴볼 필요가 있다. 영상은 이 영역의 개선으로 같은 작업에 드는 토큰을 줄일 수 있다고 주장한다.
- 쇼핑몰 운영과 월간 고객 보고서처럼 같은 환경을 반복해서 사용하는 업무가 우선 검토 대상이다. 동일한 사용 한도 안에서 처리할 수 있는 작업량이 늘어나는지가 실무적 판단 기준이다.
- 무료 도구라도 설치·설정·상태 확인이 필요하다. 도입 효과는 토큰 사용량, 테스트 통과 여부, 재시도 횟수를 함께 비교해 판단하는 편이 적절하다.
- 영상에는 기업 실적이나 주가 영향을 판단할 자료가 없다. 제시된 수치는 에이전트 운영 효율에 관한 실험 결과로 해석해야 한다.
⚠️ 불확실하거나 확인이 필요한 부분
- Microsoft 실험의 규모와 절감률은 발표자가 전달한 내용이다. 제공된 전사에는 원문 보고서, 상세 측정 방식, 조합별 결과표가 없어 독립적으로 검증할 수 없다.
- 발표자의 실험은 2개 프로젝트, 16개 작업에 한정된다. 전체 작업이 테스트를 통과했다는 결과만으로 더 복잡한 업무의 품질이나 장기 안정성까지 판단하기는 어렵다.
- 발표자의 실험에서는 루프 가드가 개입하지 않았다. 따라서 그 실험의 절감률을 루프 가드의 효과로 해석할 근거는 없다.
- 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
- 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
- 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.
✅ 액션 아이템
- 가장 자주 사용하는 에이전트와 반복 작업 프로젝트 하나를 정하고, 현재 토큰 사용량과 테스트 결과를 기록한다.
- 영상에서 언급한 저장소의 설치 절차와 에이전트별 지원 기능을 확인한 뒤 설치한다. 플러그인이 실행되는 다운로드 폴더는 유지한다.
- 기본적으로 꺼져 있다는 마이크로 스킬을 활성화한다. 전체 프로젝트에 적용할 경우 전역 옵션의 정확한 표기를 확인한다.
- 도구 프루닝을 지원하는 환경에서는 영상이 설명한 도구 카탈로그 갱신 절차를 확인하고 수행한다.
❓ 열린 질문
- 내 프로젝트에서는 재학습, 도구 전달, 오류 반복 중 어느 부분이 토큰 낭비의 가장 큰 원인인가?
- 프로젝트 설정이나 테스트 방식이 바뀌었을 때 기존 지식을 얼마나 빠르고 정확하게 수정하는가?
- 드물게 쓰지만 중요한 도구를 제외했을 때 실제 업무 흐름과 성공률에는 어떤 영향이 생기는가?