GitHub je AI agentima smanjio račun kad im je oduzeo višak alata
Agentni CI postaje mjerljiv kada se višak alata i konteksta izbaci iz petlje.📷 AI-generated image / TECH&SPACE
- ★GitHub prijavljuje do 62% manje tokena u agentnim CI workflowima nakon rezanja nepotrebnih MCP alata.
- ★Dio MCP poziva zamijenjen je gh CLI-jem, što smanjuje kontekst koji agent mora čitati i obrađivati.
- ★token-usage.jsonl i Effective Tokens uvode dnevno praćenje troška po modelima i brže otkrivanje regresija.
U agentnim sustavima trošak često ne raste zato što model rješava teži problem, nego zato što mu okruženje stalno nudi previše mogućnosti. Ako agent kroz Model Context Protocol vidi širok skup alata, resursa i shema, svaki poziv može povući višak metapodataka. GitHub je zato rezao neiskorištene MCP alate i dio operacija prebacio na GitHub CLI, gdje je naredba često izravnija i jeftinija od agentskog obilaska kroz opći alatni sloj.
To je važna razlika. MCP je koristan kada agentu treba strukturiran pristup sustavima, ali nije svaki zadatak bolji samo zato što prolazi kroz agentski protokol. Za rutinske GitHub operacije, gh može biti kraći put: manje opisa alata, manje posrednog konteksta i manje prostora za model da troši tokene na otkrivanje onoga što skripta već zna.
Dnevni auditori, rezanje MCP alata i povratak na gh CLI pretvaraju trošak agenata iz crne kutije u mjerljiv DevOps signal.
Trošak tokena pretvara se u DevOps signal kroz artefakte i dnevne audite.📷 AI-generated image / TECH&SPACE
Drugi dio priče je mjerenje. GitHub je uveo artefakt token-usage.jsonl, uz metriku Effective Tokens, kako bi potrošnju pratio kroz modele i uočavao regresije. To agentne workflowe približava zrelijem DevOps načinu razmišljanja: ako se build produlji, tim reagira; ako test počne pucati, tim reagira; ako agent odjednom troši više tokena za isti posao, i to mora biti signal, a ne fusnota u računu za API.
Dnevni “auditor” i “optimizer” agenti u tom okviru nisu ukrasna automatizacija. Njihova uloga je provjeravati gdje se tokeni troše, koji alati više nisu potrebni i gdje se workflow može suziti bez gubitka funkcije. Drugim riječima, agenti se koriste za nadzor drugih agenata, ali uz konkretnu metriku i artefakt koji ostaje nakon izvođenja.
Za timove koji grade CI agente, lekcija je prilično oštra. Nije dovoljno dodati model, spojiti MCP servere i nadati se da će inteligencija sama optimizirati trošak. Potrebni su inventar alata, dnevna revizija, jasna metrika i pragovi regresije. GitHubov primjer također pokazuje da optimizacija ne mora značiti slabiji model ili grublji prompt. Ponekad je najveći dobitak u tome da agentu prestanete davati previše vrata kroz koja može proći.
U širem kontekstu GitHub Copilota i sve češćih agentskih razvojnih tokova, ovo je praktična granica između demonstracije i proizvodnje. Agentni CI može biti koristan, ali samo ako je vidljiv, mjerljiv i dovoljno sužen da trošak ne postane skrivena infrastruktura koja raste brže od vrijednosti.
