Hvordan bruke Copilot effektivt uten å sprenge token-budsjettet.
Seks tiltak med høy effekt: presise spørsmål, smale sesjoner, riktig agentvalg, kort output, minimale instruksjonsfiler og mindre verktøy-overhead.
Budsjettgrensen i my-copilot er et kostnadstak, ikke en kvote som må brukes opp. Hvis teamet bruker mindre enn grensen, mister ikke Nav «tokens» som tas igjen mot slutten av måneden.
🆕 Spend Meter i VS Code (juni 2026)
VS Code 1.125 introduserte et innebygd «Spend Meter» som viser ditt eget AI Credits-forbruk i sanntid. Finn det under View → Status Bar → Copilot Usage. Bruk det aktivt for å oppdage dyre mønstre tidlig. Måler du effekten av et tiltak, bruk fakturert kostnad per fullført oppgave, ikke sparetallet verktøyet oppgir selv.
Ett presist spørsmål slår fem runder avklaring. Oppgi språk, rammeverk, scope og ønsket output.
Bytt chat når du bytter problem. Bruk /clear og /compact for å unngå irrelevant historikk.
Bruk @research-agent for kartlegging, @nav-pilot for plan/syntese og @nav-pilot-opus kun for smale høyrisikovurderinger.
Aktiver terse-mode ved rask iterasjon. Bruk CLI for deterministiske steg i stedet for å la LLM gjøre alt.
Send relevant utsnitt av logger og diff, ikke alt. Kjør målrettede kommandoer først, og bruk deterministiske verktøy (`gh`, `kubectl`, `curl`) før du ber LLM tolke alt i én runde.
AGENTS.md og copilot-instructions.md injiseres i hver forespørsel. Skriv kortfattet; bruk applyTo-glob for å begrense scope, og legg domeneinnhold i skill- og agent-filer som bare lastes ved eksplisitt bruk.
Lange sesjoner er sjelden billigst, selv med cache.
Ubrukte verktøy i konteksten gir merkbar token-kost over tid.
Smal delegering gir bedre svar enn én stor "gjør alt"-prompt.
En AGENTS.md på 500 linjer koster like mye som en på 50, hver eneste gang.
Dypdykk og kilder: Slik holder du token-forbruket nede og Modellpriser
Følg opp effekten i Statistikk før dere endrer modellvalg eller arbeidsflyt.