标签： token优化

Headroom：让 AI 智能体少花 90% Token 的上下文压缩层
项目简介

Headroom 是一个为 AI 智能体（AI Agent）打造的上下文压缩层。它在提示词、工具输出、日志、RAG 检索片段、文件和对话历史到达大模型之前进行压缩，让你在获得相同答案的同时， Token 成本大幅下降。官方实测：JSON 类数据可减少 60–95% 的 Token，编码类智能体可减少 15–20%。

核心功能
- 多种部署形态：Python/TypeScript 内联库、headroom proxy 零代码代理、headroom wrap 一键包装 Claude/Codex/Cursor/Aider/Cline 等主流 Agent，以及原生 MCP Server。
- 内容感知压缩：SmartCrusher 专攻 JSON，CodeCompressor 基于 AST 压缩代码，Kompress-v2-base 用自研 HuggingFace 模型处理自然语言。
- 可逆压缩（CCR）：原始内容本地缓存，LLM 可通过 headroom_retrieve 按需取回，绝不丢失信息。
- 跨 Agent 记忆：同一台机器上 Claude、Codex、Grok、Gemini 等工具可共享记忆库并自动去重。
- 输出 Token 优化：通过 Verbosity steering 和 Effort routing，自动削减模型废话、重复代码和过度思考，进一步降低输出侧成本。
- headroom learn：自动挖掘失败会话，把纠偏规则写入 CLAUDE.local.md、AGENTS.md 或 GEMINI.md，让 Agent 越用越聪明。
安装要求和过程

环境要求：Python 3.10+。推荐用 uv 或 pip 安装；TypeScript 开发者也可用 npm 安装 SDK（仅库，无 CLI）。
```
# 推荐：uv 全局工具安装（隔离环境）
uv tool install --python 3.13 "headroom-ai[all]"

# 或者 pip
pip install "headroom-ai[all]"

# TypeScript SDK（仅库）
npm install headroom-ai
```
启动方式三选一：
```
# 一键部署 + 自动配置 Agent
headroom deploy

# 包装 Claude Code（自动启动本地代理并注入配置）
headroom wrap claude

# 零代码 drop-in 代理
headroom proxy --port 8787
```
验证：
```
headroom doctor    # 健康检查
headroom perf      # 性能报告
headroom dashboard # 实时节省看板
```
典型使用场景

场景 1：AI 编码助手降本增效
你每天用 Claude Code、Cursor 或 Codex 处理大型代码库。代码搜索结果、RAG 片段、测试日志动辄几万 Token。Headroom 自动压缩输入内容，代码搜索场景可减少 92% Token，而答案质量不变。配合 headroom learn，它还能把常见误操作自动写入项目本地规则文件。

场景 2：SRE 事故排查
排查线上事故时，需要把大量日志、监控输出、GitHub Issue、运行时报错塞进上下文。Headroom 对日志和结构化数据压缩率极高，65k Token 的排查材料可压缩到 5k 左右，让智能体在上下文窗口内“看完全部证据”，而不是被截断。

场景 3：多 Agent 共享记忆
你在同一项目里混用 Claude Code、Codex、Grok CLI 和 Aider。Headroom 提供跨 Agent 的共享记忆存储，避免每个工具重复读取文件、重复建立上下文，真正实现“一次理解，处处可用”。

推荐理由

Headroom 最让我喜欢的一点是“不绑架你的工作流”。它既可以是库，也可以是代理，还可以一键 wrap 你已有的 Agent，不需要重写 prompt 或迁移模型。而且它是本地优先的，原始内容不会离开你的机器，企业敏感代码也能放心使用。

更难得的是，它在省钱的同时还做了“可逆压缩”和“失败学习”：前者保证信息不丢，后者让 Agent 越用越准。对于已经在用 Claude Code、Cursor、Codex 等工具的开发者来说，Headroom 几乎是“装完就能省钱”的基础设施。

下载地址
- GitHub 仓库：https://github.com/headroomlabs-ai/headroom
- 官方文档：https://docs.headroomlabs.ai/docs
- PyPI：https://pypi.org/project/headroom-ai/
- HuggingFace 模型：Kompress-v2-base
Headroom 采用 Apache 2.0 协议开源，当前 Stars 约 63.2K，主要语言为 Python。
2026年7月30日
book-to-skill：把任何技术书 PDF 变成 AI 智能体技能，实测省 24~51 倍 Token｜GitHub 12.5K Stars 今日趋势榜第一
📌 项目简介

book-to-skill 是一个能把任何技术书籍 PDF（以及 EPUB、DOCX、Markdown 等十余种格式）一键转换成 AI 智能体技能（Agent Skill）的开源工具——转换后你的 Claude Code、GitHub Copilot CLI 或 Amp 就能”读过这本书”，随时按需调取书中真实内容回答问题，彻底告别大模型幻觉和翻 PDF 的痛苦。项目基于 Python 开发，MIT 许可，2026 年 5 月开源以来已斩获 12,499 Stars，今日更以单日 +1,400 星登顶 GitHub Trending。

它解决的是一个所有技术人都懂的痛点：买了一本好书，读完一遍，三个月后连第 7 章讲什么都想不起来。直接把 PDF 扔给 AI？一本 400 页的书约 20 万 token，每轮对话都要全额付费，而且模型在超长上下文里”迷失中间”、精度骤降。book-to-skill 的思路是编译期一次性深度蒸馏：把书拆解成核心心智模型 + 按章节的知识文件 + 术语表 + 模式库 + 速查表，智能体按需加载，实测比整书塞上下文省 24~51 倍 token。

⚙️ 安装要求和过程

环境要求
- Python 3 环境（纯文本/Markdown/reST/AsciiDoc 无需额外依赖）
- PDF 提取：文字型书籍用 pdftotext（poppler）或 pip3 install pypdf；含代码/表格/公式的技术书推荐 pip3 install docling（可完整保留 Markdown 表格与代码块）
- EPUB：pip3 install ebooklib beautifulsoup4（有内置 zipfile 兜底）
- 宿主：支持开放 Agent Skills 标准的任意智能体——Claude Code、GitHub Copilot CLI、Amp 均可
安装（作为智能体技能）
```
# Claude Code
git clone https://github.com/virgiliojr94/book-to-skill.git ~/.claude/skills/book-to-skill

# GitHub Copilot CLI
git clone https://github.com/virgiliojr94/book-to-skill.git ~/.copilot/skills/book-to-skill

# 跨智能体通用路径（Copilot CLI 与 Amp 都能发现）
git clone https://github.com/virgiliojr94/book-to-skill.git ~/.agents/skills/book-to-skill
```
使用：三步把书变技能
```
# 1. 指向一个文件、文件夹或 glob
/book-to-skill ~/books/designing-data-intensive-apps.pdf

# 2. 自动蒸馏为技能（框架、决策规则、反模式、分章文件）

# 3. 之后随时按需调用
/designing-data-intensive-apps replication   # 讲解某个主题
/designing-data-intensive-apps ch05          # 深入第 5 章
```
另有独立 CLI 模式：pip install "book-to-skill[pdf,epub,docx]"，仅安装文本提取引擎用于脚本化处理（不注册斜杠命令）。运行 python3 scripts/extract.py --check 可一键检查各格式提取器安装情况。

🚀 核心功能
- 全格式文档蒸馏：支持 PDF、EPUB、DOCX、TXT、Markdown、reST、AsciiDoc、HTML、RTF、MOBI/AZW 等格式；可一次处理多个文件、整个文件夹或 glob 模式，合并成统一技能，还能向已有技能”折叠”新增材料（增量更新）
- 结构化技能产物：生成 SKILL.md（约 4K token 的核心心智模型 + 章节索引）、每章约 1K token 的按需加载文件、术语表 glossary.md、技术模式库 patterns.md、决策速查表 cheatsheet.md——是”结构”而非”摘要”
- 24~51 倍 token 节省（实测）：内置 tools/discovery_tax.py 测量工具，在 Think Python 2、Working Backwards、AI Engineering 三本真书上实测：回答一个问题只需约 5K token（核心 + 单章），对比整书上下文倾倒 12 万~25.6 万 token
- 智能提取管线：转换前自动询问书籍类型——技术书走 Docling（保留表格代码），纯文字书走 pdftotext 秒级提取；单个坏源自动跳过不影响批处理；一本书完整转换成本约 1 美元
- 开放标准、一次安装多端通用：遵循开放 Agent Skills 标准（SKILL.md 格式），Claude Code、GitHub Copilot CLI、Amp 读取同一份技能，无厂商锁定
💡 典型使用场景
- 技术书籍随身参谋：把《DDIA》《Pro Git》这类工具书转成技能，写代码时直接 /ddia replication 让智能体基于书中真实章节讲解复制策略——不是幻觉，不是网页搜索，就是作者原文提炼的框架
- 团队内部文档折叠：把整个 docs/ 文件夹（架构决策记录、Runbook、新人指南）合并成一个技能，新同事在编码会话里直接提问，替代翻 60 页 PDF 的品牌手册/规范文档
- 研究资料簇管理：一摞论文加自己的笔记合成统一技能，新论文来了增量折叠进去；对比 RAG——RAG 适合”几十本书里找提到 X 的段落”（宽而浅），book-to-skill 适合”吃透一本书的 12 个框架并应用”（窄而深），两者互补
❤️ 推荐理由

这个项目最打动我的是它把”AI 读书”从检索问题重构成了编译问题。RAG 是查询时相似度搜索，返回”和你问题相近的文本块”；book-to-skill 是编译时深度分析，输出”作者花几年构建的命名框架、适用条件和反模式”——前者是检索，后者是可推理的结构。README 里那句话很精辟：“RAG indexes a shelf, book-to-skill masters a spine”（RAG 索引一整架书，book-to-skill 吃透一本书的书脊）。

工程上它也异常诚实：所有 token 节省数据都有可复现的测量脚本，README 明确写出”诚实警告”——章节自动切分需要显式的 Chapter N 标题、一次性阅读场景用普通 PDF 智能体就够了。在营销味十足的 AI 开源圈，这种”实测优先、有限承诺”的态度非常难得。如果你的 ~/.claude/skills 目录里只打算加一个新技能，让它是一个能把你书架搬进智能体的技能，很值。

🔗 下载地址
- GitHub 仓库：https://github.com/virgiliojr94/book-to-skill
- PyPI（独立 CLI）：pip install book-to-skill
- Agent Skills 开放标准：https://github.com/agentskills/agentskills
项目数据截至 2026 年 7 月 30 日：12,499 Stars · 1,405 Forks · Python · MIT 许可 · 今日 GitHub Trending 榜首（+1,428 星）
2026年7月30日

caveman：让AI以「原始人」风格回复，减少65%输出Token，82K+Stars让AI编程助手不再啰嗦

📌 项目简介

caveman 是一款面向 30+ AI 编程助手的输出压缩技能/插件，让 AI 以”原始人”风格回复，在不损失技术准确性的前提下减少 65% 输出 token。项目的灵魂口号是：“why use many token when few token do trick”（要那么多 token 干嘛，少点就够用）。

由 JuliusBrussee 于 2026 年 4 月发布，仅 3 个月便获得 82,695+ Stars，是本周 GitHub 趋势榜最热门项目（单日新增 2,851 Stars）。

“用更少 token 实现更多功能” — 原始人系列工具核心理念

⚙️ 安装要求和过程

环境要求

运行环境：Node.js ≥ 18（Windows/macOS/Linux 全平台支持）
支持的 AI 工具：Claude Code、Codex、Gemini CLI、Cursor、Windsurf、Cline、Copilot、OpenClaw 等 30+ 主流 AI 编程助手
许可证：MIT 开源许可
隐私：无遥测、无数据上传、完全本地运行

快速安装（一键脚本）

# macOS / Linux / WSL / Git Bash
curl -fsSL https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.sh | bash

# Windows PowerShell 5.1+
irm https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.ps1 | iex

安装过程约 30 秒，脚本会自动识别所有已安装的 AI 工具并分别安装，未安装的工具会自动跳过。支持重复运行（覆盖更新）。

指定 AI 工具安装

# Claude Code 插件市场安装
claude plugin marketplace add JuliusBrussee/caveman && claude plugin install caveman@caveman

# Gemini CLI 扩展安装
gemini extensions install https://github.com/JuliusBrussee/caveman

# 通过技能市场给 Cursor/Windsurf/Cline 等工具安装
npx skills add JuliusBrussee/caveman -a cursor

开启/关闭

开启：输入 /caveman 或对 AI 说 “talk like caveman”
关闭：对 AI 说 “normal mode”
在 Claude Code、Codex、Gemini 中，安装后首次回复就默认开启原始人模式，无需额外输入命令

🌟 核心功能

🪨 多等级压缩模式

支持 6 种压缩等级：normal（无压缩）、lite（轻度）、full（中度，默认）、ultra（高度）、wenyan（文言模式）。可随时通过 /caveman <等级> 切换，等级在当前会话持续生效。

📊 内置统计命令

/caveman-stats 统计当前会话 token 使用量、累计节省 token 数、对应美元成本。加 --share 参数可生成可分享的统计文本，向团队展示节省成果。

📝 记忆文件压缩

/caveman-compress <文件路径> 把 CLAUDE.md 等记忆文件重写为原始人风格，后续每次会话加载该文件时可减少约 46% 输入 token，代码、URL、路径完全保留。

🔧 配套快捷命令

/caveman-commit 生成符合 Conventional Commits 规范的提交信息；/caveman-review 生成单行 PR 评论；caveman-shrink MCP 中间件压缩工具描述文本。

🤖 原始人子代理

cavecrew-* 系列原始人风格子代理（调查员、构建者、审查员等），比原生代理少消耗约 60% token，延长主上下文可用时长。

📈 状态栏实时显示

在 Claude Code 中，状态栏会显示 [CAVEMAN] ⛏ 12.4k，数字为累计节省的 token 量，实时更新。可通过设置 CAVEMAN_STATUSLINE_SAVINGS=0 关闭。

📊 压缩效果对比

场景	正常模式（token）	原始人模式（token）	压缩率
解释 React 重新渲染 bug	1,180	159	87%
修复鉴权中间件 token 过期问题	704	121	83%
配置 PostgreSQL 连接池	2,347	380	84%
架构设计：微服务 vs 单体	4,463	1,030	77%
解释 git rebase 和 merge 的区别	702	292	58%
调试 PostgreSQL 竞态条件	1,200	232	81%
平均值	1,214	294	65%

65%

平均输出压缩率

46%

记忆文件输入压缩率

60%

子代理 token 节省

30+

支持 AI 工具数量

💡 典型使用场景

场景一：日常编码会话成本优化

在使用 Claude Code 进行日常开发时，开启 caveman 的 full 模式（默认），AI 回复会自动压缩为原始人风格——保留所有技术细节和代码逻辑，但去掉冗余的客套话、重复解释和过度详细的背景说明。一个典型的 1 小时编码会话，累计可节省 10,000+ token，相当于节省约 $0.15-$0.50（按 Claude API 定价）。对于重度用户，一个月可节省数十美元。

场景二：长上下文会话的 token 预算管理

在进行大型重构或复杂调试时，上下文窗口是宝贵资源。caveman 通过压缩输出，让每次交互占用的上下文更少，有效延长可用上下文长度。配合 /caveman-compress 压缩项目记忆文件，还能减少每次会话的初始 token 消耗。对于使用 Claude Code 处理大型代码库（>100 个文件）的开发者，这几乎是必备工具。

场景三：团队级 token 使用优化

caveman 2（开发中）将支持团队级别的 token 节省统计和可验证的节省凭证。对于按量付费使用 AI 编程助手的企业团队，caveman 可以提供量化数据，帮助团队了解 AI 工具的使用成本和优化空间。结合 /caveman-stats --share 命令，开发者可以向团队展示具体的节省成果。

🚀 推荐理由

我的使用心得：caveman 解决了一个几乎所有 AI 编程助手用户都会遇到的痛点——输出太啰嗦。Anthropic 的 Claude 尤其如此，它倾向于用非常礼貌、详细、多层次的方式回答问题，哪怕你只问了一个简单的语法问题。caveman 通过让 AI “像原始人一样说话”，巧妙地在保持技术准确性的同时大幅压缩输出。

有几个方面特别值得称赞：

零精度损失的设计哲学：caveman 只压缩表达风格，不压缩技术内容。代码、报错信息、文件路径、URL 完全保留。在实际使用中，你会发现 AI 给出的解决方案质量没有任何下降，只是回复更短了。
无缝集成体验：一键安装脚本真的做到了 “30 秒开通”。安装后无需任何配置，AI 会自动以原始人模式回复。这种 “装上就用” 的体验在 AI 工具生态中难能可贵。
可验证的节省数据：/caveman-stats 命令提供的统计数据非常详细，包括 token 节省量、对应美元成本等。这种可量化性让工具的价值一目了然。
原始人系列生态：caveman 只是 “原始人系列” 的第一个产品。整个系列还包括 caveman-code（压缩整个 AI 代理）、cavemem（压缩跨会话记忆）、cavekit（优化构建循环）等，形成了一个完整的 token 优化工具链。

当然，这个工具也有一个明显的 “缺点”——AI 的回复会变得非常 “原始人”，习惯了我之前那种详细解释的回复风格后，可能需要一点时间来适应。但一旦适应了，你会发现那些冗长的客套话确实是多余的。

适用人群：所有使用 AI 编程助手的开发者，尤其是那些按量付费或使用 API 的用户。对于 Claude Code 的重度用户，这是必备工具。

🔗 下载地址

🌐 官网

caveman.so

🐙 GitHub

JuliusBrussee/caveman

📦 npm

caveman-shrink

💬 Discord

加入社区

文章来源：GitHub – caveman | 数据截至 2026 年 7 月

2026年7月4日

headroom：AI智能体上下文压缩层，减少60-95% Token消耗，本周GitHub新增近1.5万Stars

📌 项目简介

headroom —— AI 智能体的上下文压缩层

headroom 是一个专为 AI 智能体设计的上下文压缩工具，在工具输出、日志、文件和 RAG 片段到达 LLM 之前对其进行压缩，可实现 60-95% 的 Token 减少，同时保证输出答案的准确性。

项目支持以代码库、零代码代理、MCP 服务器三种形态接入，兼容 Claude Code、Codex、Cursor、Aider、Copilot CLI 等主流 AI 编程助手，本周在 GitHub 新增近 15,000 Stars，是 2026 年 6 月最热门的 AI 开源项目之一。

43.4K+

GitHub Stars

3,010+

Forks

60-95%

Token 节省率

14.9K

本周新增 Stars

3 种

接入形态

10+

兼容智能体

🛠️ 安装要求和过程

环境要求

Python：3.10 及以上版本（推荐 3.13）
Node.js：18+（如使用 TypeScript 版本）
可选：Docker、Apple GPU（MPS 加速）、Rust（SSL 拦截场景）

快速安装

# Python 全量安装（推荐）
pip install “headroom-ai[all]”

# Node.js / TypeScript 安装
npm install headroom-ai

# Docker 镜像
docker pull ghcr.io/chopratejas/headroom:latest

# pipx 安装（隔离环境，推荐）
pipx install –python python3.13 “headroom-ai[all]”

可选功能插件

headroom 支持按需安装额外功能模块：

# 代理模式（零代码接入）
pip install “headroom-ai[proxy]”

# MCP 工具（接入 AI 智能体）
pip install “headroom-ai[mcp]”

# Kompress 模型（智能压缩）
pip install “headroom-ai[ml]”

# 代码压缩
pip install “headroom-ai[code]”

# 跨智能体记忆
pip install “headroom-ai[memory]”

# 图像压缩
pip install “headroom-ai[image]”

🌟 核心功能

1. 三形态接入，零代码也能用

headroom 提供三种接入方式，无论你是开发者还是普通用户都能快速上手：

代码库：Python/TypeScript 直接调用 compress(messages)，两行代码接入
零代码代理：运行 headroom proxy --port 8787，无需修改原有代码，所有兼容 OpenAI API 的客户端均可接入
MCP 服务器：支持 headroom_compress、headroom_retrieve、headroom_stats 三个 MCP 工具，一键安装到 Claude Code 等智能体

2. 智能压缩算法，60-95% Token 节省

headroom 自动识别内容类型，匹配最优压缩算法：

JSON 数据 → SmartCrusher（智能结构压缩）
代码文件 → CodeCompressor（语法感知压缩）
自然语言 → Kompress-base 模型（AI 压缩模型）
电子表格 → SmartCrusher（CSV/XLSX 节省 37-48%）
图像 → 专用图像压缩（40-90% 压缩率）

3. 可逆压缩（CCR），不丢失任何信息

headroom 的 Context-Compressed Retrieval (CCR) 机制将原始内容本地缓存，模型需要时可通过 headroom_retrieve 按需获取完整内容。压缩只是”摘要”，详细信息随时可取回。

4. 输出 Token 缩减，让 AI 少说废话

除了压缩输入，headroom 还能减少模型的冗余输出：

自动去除客套话、重复代码、常规步骤的深度思考
简洁度引导：自动在系统提示末尾追加简洁要求，不破坏提示缓存
算力路由：常规工具调用步骤降低模型思考等级，新问题/错误保留完整算力
支持 headroom learn --verbosity --apply 自动学习最优简洁度

5. 跨智能体共享记忆，自动学习优化

headroom 支持多智能体共享上下文存储，自动去重。更强大的是 headroom learn 功能：自动挖掘失败会话，将修正规则写入 CLAUDE.md / AGENTS.md，让智能体越用越聪明。

📊 压缩效果实测

场景	压缩前 Token	压缩后 Token	节省率
代码搜索（100 条结果）	17,765	1,408	92%
SRE 故障排查	65,694	5,118	92%
GitHub 问题分类	54,174	14,761	73%
代码库探索	78,502	41,254	47%
SQuAD v2（问答）	—	—	19%
BFCL（工具调用）	—	—	32%

基准测试显示，在 GSM8K 数学推理任务中，headroom 压缩后的准确率与基线完全一致（0.870）；在 TruthfulQA 事实性问答中，压缩后准确率甚至提升了 3%（0.530 → 0.560）。压缩不影响答案质量，某些场景下甚至有所提升。

🚀 典型使用场景

场景一：封装现有 AI 编程助手（30 秒上手）

如果你正在使用 Claude Code、Cursor 或 Aider，只需一条命令即可让 headroom 开始节省 Token：

# 封装 Claude Code（自动配置，无需手动操作）
headroom wrap claude

# 封装 Cursor（生成配置后粘贴一次即可）
headroom wrap cursor

# 封装 Aider（自动启动代理并打开工具）
headroom wrap aider

# 查看压缩效果
headroom perf

封装后，所有工具输出、文件内容、RAG 片段在送入 LLM 之前都会被自动压缩，你无需修改任何代码或配置。

场景二：作为 MCP 工具接入 AI 智能体

headroom 原生支持 MCP 协议，可作为工具被 AI 智能体直接调用：

# 安装到 Claude Code / OpenClaw 等支持 MCP 的智能体
headroom mcp install

# MCP 工具列表：
# – headroom_compress : 压缩上下文
# – headroom_retrieve : 取回原始内容（CCR）
# – headroom_stats : 查看压缩统计

对于 AI Agent 开发者，headroom 提供了一个开箱即用的 Token 优化方案，无需自己实现压缩算法。

场景三：在 Python/TypeScript 应用中直接调用

对于开发者，headroom 提供了简洁的 API，两行代码即可接入：

# Python
from headroom import compress
compressed = compress(messages, model=“gpt-4o”)

# TypeScript
import { compress } from “headroom-ai”;
const compressed = await compress(messages, { model });

# 接入 Anthropic SDK
from headroom import withHeadroom
client = withHeadroom(Anthropic())

# 接入 LangChain
from headroom import HeadroomChatModel
llm = HeadroomChatModel(your_llm)

headroom 还支持 Vercel AI SDK、LiteLLM、Agno 等主流框架，覆盖几乎所有 LLM 应用开发场景。

🤖 兼容智能体列表

Claude Code

✅ 完全支持

Codex

✅ 完全支持

Cursor

✅ 完全支持

Aider

✅ 完全支持

Copilot CLI

✅ 完全支持

OpenClaw

✅ 插件支持

OpenAI API

✅ 代理接入

Ollama

✅ 代理接入

💡 推荐理由

📥 下载地址

GitHub 仓库
PyPI 包
npm 包
官方文档
Kompress 模型
Discord 社区

本文由 WorkBuddy AI 自动生成 · 数据来源：GitHub API · 项目许可：Apache 2.0

2026年6月22日

标签： token优化

Headroom：让 AI 智能体少花 90% Token 的上下文压缩层

项目简介

核心功能

安装要求和过程

典型使用场景

推荐理由

下载地址

book-to-skill：把任何技术书 PDF 变成 AI 智能体技能，实测省 24~51 倍 Token｜GitHub 12.5K Stars 今日趋势榜第一

📌 项目简介

⚙️ 安装要求和过程

环境要求

安装（作为智能体技能）

使用：三步把书变技能

🚀 核心功能

💡 典型使用场景

❤️ 推荐理由

🔗 下载地址

caveman：让AI以「原始人」风格回复，减少65%输出Token，82K+Stars让AI编程助手不再啰嗦

🪨 caveman

📌 项目简介

⚙️ 安装要求和过程

环境要求

快速安装（一键脚本）

指定 AI 工具安装

开启/关闭

🌟 核心功能

🪨 多等级压缩模式

📊 内置统计命令

📝 记忆文件压缩

🔧 配套快捷命令

🤖 原始人子代理

📈 状态栏实时显示

📊 压缩效果对比

💡 典型使用场景

场景一：日常编码会话成本优化

场景二：长上下文会话的 token 预算管理

场景三：团队级 token 使用优化

🚀 推荐理由

🔗 下载地址

headroom：AI智能体上下文压缩层，减少60-95% Token消耗，本周GitHub新增近1.5万Stars

⚡ headroom：AI 智能体的上下文压缩层，减少 60-95% Token 消耗

📌 项目简介

headroom —— AI 智能体的上下文压缩层

🛠️ 安装要求和过程

环境要求

快速安装

可选功能插件

🌟 核心功能

1. 三形态接入，零代码也能用

2. 智能压缩算法，60-95% Token 节省

3. 可逆压缩（CCR），不丢失任何信息

4. 输出 Token 缩减，让 AI 少说废话

5. 跨智能体共享记忆，自动学习优化

📊 压缩效果实测

🚀 典型使用场景

场景一：封装现有 AI 编程助手（30 秒上手）

场景二：作为 MCP 工具接入 AI 智能体

场景三：在 Python/TypeScript 应用中直接调用

🤖 兼容智能体列表

💡 推荐理由

为什么你应该关注 headroom？

📥 下载地址