Hvordan bruke Copilot effektivt uten å sprenge token-budsjettet med RTK.
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. Kombinert med rtk-proxyen (60–90 % token-besparelse) er dette de to viktigste verktøyene for å holde kostnadene nede.
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
Følg opp effekten i Statistikk før dere endrer modellvalg eller arbeidsflyt.