---
type: types/concept.md
concept_type: architecture
tags: [tokens, cost, efficiency]
created: 2026-08-04
modified: 2026-09-01
related: []
sources: [Source - Copilot Skill Restructure Instructions, Source - Conversation - AGENTS.md Skill Restructuring Session 2026-08-04]
confidence: 0.60
confidence_base: 0.60
provenance: mixed
summary: Kosten- und Effizienzüberlegungen zum Tokenverbrauch von LLMs - die genannten Werte 5-8x/61%/100% sind unbestätigt, keine gesicherten Fakten
---
# Token Economics

**Typ:** architecture

## Definition

Token Economics bezieht sich auf Kosten- und Effizienzüberlegungen zur Nutzung des LLM-Kontextfensters, insbesondere darauf, wie die Menge der geladenen Anweisungen und des Kontexts Leistung, Kosten und Qualität beeinflusst[^s-copilot-skill-restructure-instructions].

## Kernpunkte

- **Kostenmultiplikator:** Eine vollständige Aufnahme gegen ein kompiliertes Wiki liest mehr Token als eine Abfrage, weil die Aufnahme viele Seiten berührt, während eine Abfrage normalerweise nur eine Handvoll liest - dies ist grundsätzlich korrekt, aber die spezifische „~5-8x die Quellen-Token-Anzahl"-Zahl aus der Anweisungsmenge, die dieses Konzept einführte, hat **keine auffindbaren Quelle** und sollte nicht als Fakt wiederholt werden[^s-conversation-agents-md-skill-restructuring-session-2026-08-04].
- **Abfrage-Effizienz**: Eine Abfrage gegen nur einen Index plus 2-4 Seiten kostet einen Bruchteil der vollständigen Aufnahmekosten[^s-copilot-skill-restructure-instructions]
- **Monolithischer Overhead**: Das Laden eines vollständigen Anweisungssatzes (wie AGENTS.md) bei jedem Task zahlt auch für einfache Abfragen den höheren Preis[^s-copilot-skill-restructure-instructions]
- **Kontextisolations-Vorteil**: Diskrete Skills, die nur bei Aufruf geladen werden, reduzieren die Token-Nutzung erheblich

## Allgemeine Hinweise (unbelegt)

Die „RTFM/Abruf-Schicht"-Statistik unten (61% Token-Reduktion, 100%-Lösungsquote auf einem 8.260-Datei-Korpus) konnte während der Faktenprüfung nicht auf eine auffindbaren Quelle zurückgeführt werden und sollte als illustrativer, unverifizierter Aussage statt als bestätigter Fakt behandelt werden[^s-conversation-agents-md-skill-restructuring-session-2026-08-04].

## Beispiele

- Das Chemenu-Repository mit monolithischem AGENTS.md (ursprünglich ~745 Zeilen), das bei jeder Operation geladen wird - **direkt bestätigt**: 745 Zeilen, gemessen über `grep`, vollständig unabhängig von der Task angehängt, bevor es am 2026-08-04 in 5 Skills aufgeteilt wurde[^s-conversation-agents-md-skill-restructuring-session-2026-08-04].
- ~~Der RTFM/Abruf-Schicht-Ansatz, der die Token-Nutzung um 61% auf einem 8.260-Datei-Korpus reduzierte~~ **unverifiziert** - keine Quelle für diese Statistik gefunden[^s-conversation-agents-md-skill-restructuring-session-2026-08-04].

## Wann zu verwenden

Token Economics in Betracht ziehen, wenn:
- Der Anweisungssatz das Kontextfenster des LLM überschreitet
- Sie eine Qualitätsverschlechterung bemerken, wenn das Wiki über ~100-200 Seiten wächst
- Einfache Abfragen unverhältnismäßig lange oder kostspielig werden
- Sie Zuständigkeiten in diskrete, unabhängig aufrufbare Vorgänge trennen können

## Wann NICHT zu verwenden

Token Economics ist weniger entscheidend, wenn:
- Das Wiki klein (<100 Seiten) ist und bequem in den Kontext passt
- Die Workflows inhärent gekoppelt sind und nicht getrennt werden können
- Der Entwicklungsaufwand der Kontextoptimierung die Vorteile übersteigt

## Verwandte Concepts

- [[Cross-platform Agent Skills]]
- [[Scale Ceiling]]
- [[Context Isolation]]

## Siehe auch

- [[Source - Copilot Skill Restructure Instructions]]
- [[Source - Conversation - AGENTS.md Skill Restructuring Session 2026-08-04]]

## Fußnoten

[^s-copilot-skill-restructure-instructions]: [[Source - Copilot Skill Restructure Instructions]]
[^s-conversation-agents-md-skill-restructuring-session-2026-08-04]: [[Source - Conversation - AGENTS.md Skill Restructuring Session 2026-08-04]]