GitHub Copilot의 Token 기반 과금 전환에 따른 Harness Engineering 중심의 비용 최적화 전략

Context

기존의 요청 횟수 기반 과금 모델로 인해 Agentic Development의 실제 리소스 소비 비용이 은폐됨. 특히 긴 대화 이력과 거대 컨텍스트를 유지하는 Monolithic Agent 구조는 입력 Token의 초선형적 증가를 유발하여 운영 비용의 병목 지점이 됨.

Technical Solution

• Governance의 위치를 Prompt에서 Infrastructure(Harness)로 이동시켜 매 요청 시 발생하는 Token 낭비 제거
• Deterministic Hooks 도입을 통한 사전 검증 로직 구현으로 LLM의 추론 단계 이전에 오류를 차단하여 불필요한 Retry Cycle 방지
• Monolithic Agent를 작은 Context를 가진 Delegated Sub-agents 구조로 분산하여 세션별 Token 누적 가중치 최소화
• Task 복잡도에 따른 Model Routing을 적용하여 고비용 모델(Claude Opus, GPT-4.5) 의존도를 낮추고 효율적 모델(Sonnet, GPT-4.1) 활용 극대화
• Skill 정의를 Prompt 외부의 Harness 계층으로 분리하여 매 턴 반복되는 지침 Token 전송 최적화