Token Usage Estimation

Skapa ett system som estimerar token-förbrukning för återkommande agentuppgifter – baserat på verklig data, inte gissningar.

Våra AI-agenter kör tusentals uppgifter om dagen. Varje uppgift kostar tokens – och varje token kostar pengar. Idag vet vi vad en uppgift kostade efter att den körts. Vi vill veta vad den kommer att kosta innan.

Det här exjobbet handlar om att bygga ett estimeringssystem som lär sig från faktisk användning och ger agenter möjligheten att fatta budgetbeslut i realtid.

Vad projektet innebär

• Datainsamling från verklig usage: Systemet ska bygga sina estimeringar på faktisk token-förbrukning från produktionsmiljön – inte på manuellt inmatade uppskattningar. Varje gång en agent kör en uppgift loggas förbrukningen automatiskt.
• Aggregering och estimering: Arbetsuppgifter ska kunna aggregeras per typ, frekvens och modell. Systemet ska kunna svara på: "Om den här agenten fortsätter med samma mönster, hur många credits behövs nästa vecka/månad?"
• CLI för agenter: Resultatet ska vara ett CLI-verktyg som AI-agenter kan anropa programmatiskt. Agenten frågar: "Vad kostar det att köra uppgift X med modell Y?" och får ett svar tillbaka.
• Publikt git-repo: All kod ska släppas som open source under ett lämpligt licensformat.
• Skill-integration: Systemet ska inkludera en OpenClaw Skill som gör att agenter direkt kan börja använda estimeringen i sina flöden.

Teknisk kontext

ClawBuddy kör på OpenClaw – en plattform för AI-agenter som använder LLM:er från flera leverantörer. Varje uppgift kan använda olika modeller (Claude, GPT, Gemini, open-weights) med vitt skilda token-kostnader. Utmaningen är att estimera förbrukningen för uppgifter som varierar i komplexitet, längd och modellval.

• Stack: Python eller TypeScript. OpenClaw Gateway. SQLite eller Postgres för loggdata.
• Relevanta koncept: Token-räkning (prompt + completion), cost-per-token per modell, tidsserieanalys, regressionsmodeller, caching-effekter.
• Exempelscenario: Ett cron-jobb som var 10:e minut kollar en POP3-inbox, sammanfattar nya mejl, och skickar en notis. Hur många tokens kostar det per dag? Per månad? Vad händer om vi byter modell?

Vad vi förväntar oss

Det här är ett examensarbete på civilingenjörsnivå (30 hp) eller motsvarande mastersnivå. Vi förväntar oss:

• En vetenskaplig rapport som uppfyller kraven för examensarbete vid ditt lärosäte. Problemformulering, bakgrund, metod, resultat, diskussion.
• En fungerande prototyp som demonstrerar systemet mot verkliga data. Inte en mock – verklig produktion.
• Ett publikt repo med dokumentation, tester, och en README som låter andra reproducera resultaten.
• Regelbundna avstämningar med oss (veckovis eller varannan vecka). Du jobbar självständigt men inte ensam.

Du passar om du

Studerar civilingenjör datateknik, mjukvaruteknik, AI/ML, eller motsvarande på masternivå. Har programmerat utanför kurserna – hobbyprojekt, hackathons, bidrag till open source. Är intresserad av LLM:er och har helst använt API:er från OpenAI, Anthropic, eller liknande. Trivs med att jobba i terminal, git, och att skriva kod som andra ska kunna läsa.

Vi erbjuder

Kontor i Stockholm. Tillgång till vår produktionsmiljö, alla AI-modeller, och verklig kunddata (under NDA). Handledning från teamet – inte en akademisk handledare som svarar varannan vecka, utan ingenjörer du sitter bredvid. Om exjobbet går bra pratar vi gärna om vad som händer sen.

Så här söker du

Klicka på "Apply for this role"-knappen och fyll i formuläret. Berätta varför det här intresserar dig och länka gärna till något du byggt. Formell ansökan och CV behövs inte i första steget.