AI第一线
AI 编程工具跑长任务时，上下文被无用信息占满的情况很常见。grep 结果上百行只三行有用，日志里一堆 INFO 只是陪跑，但模型必须全读，token 消耗飞快，月底还容易撞上限流。Headroom 是一个刚火起来的开源项目，专门给 AI Agent 做上下文压缩。它夹在 Agent 和模型之间，所有要送进 LLM 的内容——工具输出、日志、代码、文件、对话历史——都会先过一遍压缩层。效果非常直接。实测里，一万多 token 的内容能压到一千出头，代码搜索和 SRE 排障这类噪音多的场景，token 直接砍掉九成。代码库探索因为信息密度高，也能省下近一半。压缩不是简单粗暴截断。Headroom 会先识别内容类型，再匹配算法：JSON 和工具输出走统计压缩，保留异常和边界值；代码压缩基于语法树，留函数签名和 import，删掉冗余实现；日志只保错误和失败，过滤通过的噪音；文本和搜索结果按相关性筛选。GSM8K 数学题准确率没掉，TruthfulQA 事实问答还涨了 3 个点。最实用的设计是 CCR 可逆机制。原始数据全存在本地，永远不会被删。模型拿到的是压缩版，如果发现信息不够，随时可以把原文调回来。相当于给模型配了个可翻页的备忘录，既省 token，又不怕压丢关键内容。接入成本很低。Python 或 TS 项目可以直接调库；不想改代码就起个本地代理，任何兼容 OpenAI 的客户端都能套；主流编程 Agent 支持一键包装；Claude Code、Cursor 这类工具还能通过 MCP 工具直接调用压缩、查询和统计功能。除此之外，它还顺手解决了两个麻烦。一是跨 Agent 共享记忆，Claude 和 Codex 不用重复学同一份项目背景，本地 SQLite 加向量库自动去重。二是自动总结失败教训，分析翻车原因后更新规则文件，越用越贴合实际使用习惯。项目目前在 GitHub 已有 22.8k Star，支持 Docker 部署，Python 3.10+ 环境三步就能跑起来。对重度依赖 AI 编程工具的人来说，这是在 token 成本和上下文效率之间，目前覆盖最完整的一个方案。
发布于 安徽
分享
评论
1
未登录
友善发言
评论
加载中
